Gated Recurrent Unit (GRU)
Gated Recurrent Unit (GRU), jonka Cho et al. esittelivät vuonna 2014, on virtaviivaistettu rekurrentti neuroverkko, joka käyttää kahta opittua porttia – päivitysporttia ja nollausporttia – tiedon valikoivaan säilyttämiseen tai hylkäämiseen aikasteppien yli, mahdollistaen tehokkaan sekvenssimallinnuksen vähemmillä parametreilla kuin LSTM.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
+10 more
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Gated Recurrent Unit (GRU). ScholarGate. https://scholargate.app/fi/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-pohjainen luokitteluSyväoppiminen↔ compare
- Pitkä lyhytkestoinen muisti (LSTM)Syväoppiminen↔ compare
- Rekurrentti neuroverkkoSyväoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →