2018最佳GAN论文回顾(上)(13)_摘要：受Reddit网站上讨论区的启发

主要思想：

在传统设置中， GAN通过交替更新生成器和使用反向传播的识别器进行训练。利用在目标函数中的交叉熵机制，实现了双人minmax游戏。 E-GAN的作者们提出了一种基于进化算法的可替代GAN框架。他们以进化问题的形式重新声明了损失函数。生成器的任务是在识别器的影响下承受不断地突变。根据“适者生存”的原则，我们希望最新一代生成器以这样的方式“进化” ，从而学会正确的训练样本分布。

方法：

原始的GAN框架（左）与E-GAN框架（右）。在E-GAN框架中，全部的Gθ生成器在一个动态环境中进化—即识别器D 。该算法涉及三个阶段：变化、评估和筛选。最好的子版本被保留下来以供下一次迭代的时候使用。

进化算法试图在一个给定的环境（这里是指识别器）中进化全部的生成器。生成器中的每个个体都代表了生成网络参数空间中的一个可能的解决方案。进化过程归结为三个步骤：