ScholarGate
Assistent
Machine learningDeep learning / NLP / CV

Gated Recurrent Unit (GRU)

Die Gated Recurrent Unit (GRU), eingeführt von Cho et al. im Jahr 2014, ist ein optimiertes rekurrierendes neuronales Netz, das zwei gelernte Gates – ein Update-Gate und ein Reset-Gate – verwendet, um Informationen über Zeitschritte hinweg selektiv zu speichern oder zu verwerfen, was eine effektive Sequenzmodellierung mit weniger Parametern als LSTM ermöglicht.

In MethodMind öffnenDemnächstVideoDemnächstDownload slides

Die vollständige Methode lesen

Nur für Mitglieder

Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.

Anmelden

Method map

The neighbourhood of related methods — select a node to explore.

+10 more

Quellen

  1. Cho, K., van Merrienboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014). Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation. In Proceedings of EMNLP 2014, pp. 1724–1734. link
  2. Chung, J., Gulcehre, C., Cho, K., & Bengio, Y. (2014). Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling. NIPS 2014 Deep Learning Workshop. link

So zitieren Sie diese Seite

ScholarGate. (2026, June 3). Gated Recurrent Unit (GRU). ScholarGate. https://scholargate.app/de/deep-learning/gated-recurrent-unit

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.

Compare side by side

Referenziert von

ScholarGateGated Recurrent Unit (Gated Recurrent Unit (GRU)). Abgerufen am 2026-06-15 von https://scholargate.app/de/deep-learning/gated-recurrent-unit · Datensatz: https://doi.org/10.5281/zenodo.20539026