Machine learning
Gated Recurrent Unit (GRU)
De Gated Recurrent Unit (GRU) is een recurrent neuraal netwerk met poorten, geïntroduceerd door Cho en collega's in 2014, die lange-afhankelijkheden in sequentiële data vastleggen met behulp van update- en resetpoorten, en prestaties behalen die vergelijkbaar zijn met LSTM met minder parameters.
Lees de volledige methode
Alleen voor leden
InloggenLog in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 1). Gated Recurrent Unit. ScholarGate. https://scholargate.app/nl/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.
- Attention MechanismDeep learning↔ compare
- Bidirectionele RNNDeep learning↔ compare
- Random ForestMachine learning↔ compare
- Sequence-to-Sequence ModelDeep learning↔ compare
- XGBoostMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →