ScholarGate
Assistent
Machine learningDeep learning / NLP / CV

Gated Recurrent Unit (GRU)

De Gated Recurrent Unit (GRU), geïntroduceerd door Cho et al. in 2014, is een gestroomlijnd recurrent neuraal netwerk dat twee geleerde 'gates' gebruikt — een update-gate en een reset-gate — om selectief informatie over tijdstappen heen te behouden of te negeren, wat effectieve sequentiemodellering mogelijk maakt met minder parameters dan LSTM.

Openen in MethodMindBinnenkortVideoBinnenkortDownload slides

Lees de volledige methode

Alleen voor leden

Log in met een gratis account om dit onderdeel te lezen.

Inloggen

Method map

The neighbourhood of related methods — select a node to explore.

+10 more

Bronnen

  1. 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
  2. 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

Deze pagina citeren

ScholarGate. (2026, June 3). Gated Recurrent Unit (GRU). ScholarGate. https://scholargate.app/nl/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.

Compare side by side

Geciteerd door

ScholarGateGated Recurrent Unit (Gated Recurrent Unit (GRU)). Geraadpleegd op 2026-06-15 via https://scholargate.app/nl/deep-learning/gated-recurrent-unit · Gegevensset: https://doi.org/10.5281/zenodo.20539026