Unité récurrente à portes (GRU)
L'unité récurrente à portes (GRU) est une cellule de réseau neuronal récurrent à portes introduite par Cho et ses collègues en 2014. Elle capture les dépendances à long terme dans les données séquentielles à l'aide de portes de mise à jour et de réinitialisation, atteignant des performances comparables à celles du LSTM avec moins de paramètres.
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.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 1). Gated Recurrent Unit. ScholarGate. https://scholargate.app/fr/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.
- Mécanisme d'attentionApprentissage profond↔ compare
- RNN bidirectionnelApprentissage profond↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- Modèle séquence-à-séquence (Seq2Seq)Apprentissage profond↔ compare
- XGBoostApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →