Simple Explanation of GRU (Gated Recurrent Units) | Deep Learning Tutorial 37 (Tensorflow & Python)
3-Second Blueprint (English)
- Introduced in 2014, Gated Recurrent Units (GRUs) mitigate RNN vanishing memory by merging long- and short-term context in one hidden state.
- Two sigmoid gates—a reset gate (r_t) to drop irrelevant past tokens and an update gate (z_t) to retain key context—replace LSTM's 3 gates.
- By eliminating a separate cell state and third gate, GRUs compute faster with fewer weights than LSTMs on many sequence tasks.
Gated Recurrent Unit (GRU)LSTM ComparisonSigmoid Gate FunctionsSequence Modeling
3-Sekunden-Fazit (Deutsch)
- 2014 eingeführte GRUs lösen das Kurzzeitgedächtnisproblem klassischer RNNs durch einen einzigen kombinierten Hidden State.
- Zwei Sigmoid-Gates – Reset-Gate (r_t) zum Vergessen und Update-Gate (z_t) zum Behalten von Kontext – ersetzen die drei LSTM-Gates.
- Ohne separaten Cell State benötigen GRUs weniger Parameter als LSTMs und trainieren bei vielen Sequenzaufgaben deutlich effizienter.
Gated Recurrent Unit (GRU)LSTM-VergleichSigmoid-AktivierungsfunktionSequenzmodellierung
Note / Hinweis: Blueprints are AI-generated educational summaries (0% Politics · 0% Religion · 0% Brainrot) and do not constitute medical, legal, or financial advice. / KI-generierte Zusammenfassung zu Bildungszwecken – ersetzt keine medizinische, rechtliche oder finanzielle Fachberatung.