Unité récurrente "gated" (GRU)
L'unité récurrente "gated" (GRU), introduite par Cho et al. en 2014, est un réseau neuronal récurrent simplifié qui utilise deux portes apprises — une porte de mise à jour et une porte de réinitialisation — pour retenir ou écarter sélectivement l'information à travers les pas de temps, permettant une modélisation de séquence efficace avec moins de paramètres que le LSTM.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
+10 more
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Gated Recurrent Unit (GRU). ScholarGate. https://scholargate.app/fr/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.
- Classification basée sur BERTApprentissage profond↔ compare
- Long Short-Term Memory (LSTM)Apprentissage profond↔ compare
- Réseau de neurones récurrentApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →