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.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
+10 more
Quellen
- 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 ↗
- 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.
- BERT-basierte KlassifikationDeep Learning↔ compare
- Long Short-Term Memory (LSTM)Deep Learning↔ compare
- Rekurrentes neuronales NetzDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →