我想通过保留生成的示例的历史记录来稳定GAN训练，这些示例将与当前的G（x）一起继续馈入鉴别器，以防止D过度适合当前的G版本。
考虑到这些优点（例如监视，分发，设备等），我还想在Tensor2Tensor，Estimator和MonitoredTrainingSession的范式中进行此操作。
因此，该解决方案似乎并不像编写会话训练循环那样简单，该循环可以仅从sess.run（）返回G（x），并将其与示例结合起来用于后续迭代。
一个好的解决方案似乎是使用tf.RandomShuffleQueue，它具有在整个G历史上保持G（x）分布的附加好处。
有人有更好的主意吗？