Gated Recurrent Unit (GRU)
Die Gated Recurrent Unit (GRU) ist eine Gated Recurrent Neural Network-Zelle, die 2014 von Cho und Kollegen eingeführt wurde und Langzeitabhängigkeiten in sequenziellen Daten mithilfe von Update- und Reset-Gates erfasst, wobei sie eine Leistung erzielt, die mit LSTM vergleichbar ist, jedoch mit weniger Parametern.
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.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Gated Recurrent Unit. ScholarGate. https://scholargate.app/de/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.
- Attention MechanismDeep Learning↔ compare
- Bidirectional RNNDeep Learning↔ compare
- Random ForestMaschinelles Lernen↔ compare
- Sequence-to-Sequence ModelDeep Learning↔ compare
- XGBoostMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →