阅读本文前，建议读者先阅读LSTM长短期记忆网络-CSDN博客
1 简介
GRU（Gated Recurrent Unit）是RNN的一个变体，在2014年被提出。与LSTM类似，同样是为了解决RNN处理长序列时梯度爆炸或梯度消失的问题。与LSTM相比，GRU的结构更简单，参数更少，效果却能与LSTM接近。
2 模型结构
3 模型原理
同样举LSTM一文中柯南破案的例子，h(t)与x(t)的定义不变，取消了c(t)，新增了r(t)，表示根据新线索情况决定是否重新审视之前的线索。
| 符号 | 含义 | 例子中类比对象 |
| h(t) | t时刻隐藏状态 | 之前调查过程中所积累的所有线索和经验，可以看作LSTM中的长期记忆和短期记忆合并成h(t) |
| x(t) | t时刻的输入 | t时刻接收到的线索 |
| r(t) | t时刻重置比例 | 记忆筛选器，指当前线索与记忆的关联性。从记忆中搜寻信息，生成候选线索 |
| z(t) | t时刻更新比例 | 记忆融合器，多大比例保留之前的调查思路。候选线索和上一时刻线索各自多少比例延续到当前时刻 |
4 重置门的计算
比如新线索是嫌疑人是左撇子，而此前观察到小红用左手使用筷子，那么重置门r(t)接近为1，表示从记忆中搜寻到相关信息。在生成候选线索时，将充分利用之前的线索，回顾当时观察到小红的其他举动。之前的隐藏状态大量流入到当前的候选线索。
比如新线索是嫌疑人是左撇子，但此前并没有观察到各嫌疑人左右手使用的情况，那么重置门r(t)接近为0，表示记忆中并没有搜索到相关信息。在生成候选线索时，将只利用当前的线索。当前的输入大量流入到当前的候选线索。
注意生成的候选线索只是备选，并不直接更新上一时刻隐藏状态。需要使用更新门控制有多大程度更新到隐藏状态中。重置门只关注当前的线索与历史线索的关联性，关联性强就关注历史线索，关联性差就只关注当前线索。至于该线索重不重要，是在更新门中处理的。
计算公式为
5 更新门的计算
比如新线索是嫌疑人是左撇子，而此前认为嫌疑人是右撇子，或者此前的办案思路偏了，那么更新门z(t)接近为0，表示不再保留之前的办案思路，而是以当前生成的新线索为主。
比如新线索是嫌疑人是左撇子，而此前的办案思路更重要，那么更新门z(t)接近为1，表示沿用之前的办案思路，当前新的线索顶多作为补充。
更新门用于控制多大比例保留之前的调查思路。即新的隐藏状态h(t)有多大比例来自于上一时刻隐藏状态h(t-1)，有多大比例来自于当前时刻候选隐藏状态h'(t)。
计算公式为
6 GRU的特点
优势：
第一，结构简单、参数较少、计算迅速。
第二，能够解决RNN长序列依赖问题，且性能接近于LSTM。
缺点：
第一，在解决更复杂的信息时不如LSTM。LSTM设置的门控单元更多（遗忘门、输入门、输出门、细胞状态），因此可以处理更复杂的情况。GRU没有单独的遗忘门，更新门承担了LSTM的输入门和遗忘门两个角色，因此对于复杂问题相形见绌。
第二，长时间记忆能力不如LSTM。LSTM有专门的长期记忆，但GRU还是用隐藏状态连接前后时间的。
第三，不能并行计算，这是RNN、LSTM、GRU的通病。
