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.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
+10 more
Bronnen
- 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 ↗
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.
- BERT-gebaseerde ClassificatieDeep learning↔ compare
- Long Short-Term Memory (LSTM)Deep learning↔ compare
- Recurrent Neuraal NetwerkDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →