Machine learning
Gated Recurrent Unit (GRU)
Gated Recurrent Unit (GRU) er en gated rekurrent neural netværkscelle introduceret af Cho og kolleger i 2014, som fanger langtrækkende afhængigheder i sekventielle data ved hjælp af opdaterings- og nulstillingsgates, og opnår en ydeevne, der kan sammenlignes med LSTM, med færre parametre.
Læs hele metoden
Kun for medlemmer
Log indLog ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Cho, K. et al. (2014). Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation. EMNLP. link ↗
- Chung, J., Gulcehre, C., Cho, K. & Bengio, Y. (2014). Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling. NIPS 2014 Deep Learning Workshop. arXiv:1412.3555 link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 1). Gated Recurrent Unit. ScholarGate. https://scholargate.app/da/deep-learning/gru
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- OpmærksomhedsmekanismeDyb læring↔ compare
- Bidirectional RNNDyb læring↔ compare
- Random ForestMaskinlæring↔ compare
- Sekvens-til-sekvens-modelDyb læring↔ compare
- XGBoostMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →