Kapılı Tekrarlayan Birim (GRU)
Gated Recurrent Unit · Ayrıca şöyle bilinir: Kapılı Tekrarlayan Birim (GRU), gated recurrent unit, gated recurrent network
Kapılı Tekrarlayan Birim (GRU), Cho ve arkadaşları tarafından 2014 yılında tanıtılan, güncelleyici ve sıfırlayıcı kapılar kullanarak sıralı verilerdeki uzun menzilli bağımlılıkları yakalayan, LSTM'ye benzer performans gösteren ancak daha az parametreye sahip kapılı bir tekrarlayan sinir ağı hücresidir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Uzun menzilli bağımlılıkların önemli olduğu ve LSTM'den daha hızlı eğitimin arzu edildiği, en az yaklaşık 100 gözlem içeren sıralı verilerde (zaman serileri veya sürekli değerlerin ya da metnin boylamsal dizileri) tahmin, öngörü ve sınıflandırma için iyi bir uyum sağlar. Normal dağılımlı veri varsayımı yapmaz. Yaklaşık 500'den az dizi ile aşırı uyum riski yüksektir ve Random Forest gibi daha basit bir model daha güvenlidir; yaklaşık 100'ün altında ise tekrarlayan eğitim anlamlı değildir ve XGBoost tercih edilir.
Güçlü yönler & sınırlılıklar
- Öğrenilmiş güncelleyici ve sıfırlayıcı kapılar aracılığıyla sıralı verilerdeki uzun menzilli bağımlılıkları yakalar.
- Daha az parametreyle LSTM'ye benzer doğruluk, bu nedenle daha hızlı eğitilir.
- Varsayım açısından hafiftir: normal dağılımlı veri gerektirmez.
- Zaman serileri ve sürekli değerlerin veya metnin boylamsal dizileri için iyi uygundur.
- Küçük veri kümelerinde (yaklaşık 500'den az dizi) yüksek aşırı uyum riski.
- Sıralı veri gerektirir; yaklaşık 100 gözlemin altında anlamlı değildir.
- Tekrarlayan bir kara kutu olarak, yorumlanacak açık katsayılar sunmaz.
- Tüm tekrarlayan modeller gibi, dizi uzunluğuna ve eğitim kurulumuna duyarlı olabilir.
SSS
Bir GRU, bir LSTM'den nasıl farklıdır?
Bir GRU iki kapı (güncelleyici ve sıfırlayıcı) ve tek bir gizli durum kullanırken, bir LSTM üç kapı ve ayrı bir bellek hücresi kullanır. Bu nedenle GRU, birçok dizi görevinde benzer performansa ulaşırken daha az parametreye sahiptir ve daha hızlı eğitilir.
Bir GRU ne kadar veriye ihtiyaç duyar?
En az yaklaşık 100 gözlem içeren sıralı verilere ihtiyaç duyar. Yaklaşık 500 dizinin altında aşırı uyum riski yüksektir, bu nedenle Random Forest gibi daha basit bir model daha güvenlidir; yaklaşık 100'ün altında tekrarlayan bir ağ anlamlı değildir ve XGBoost tercih edilir.
GRU normal dağılımlı veri varsayımı yapar mı?
Hayır. Diğer tekrarlayan sinir ağları gibi, normallik varsayımı yapmaz; gerektirdiği şey, zaman serisi veya boylamsal dizi gibi gerçekten sıralı girdidir.
Daha ağır bir modele göre bir GRU'yu ne zaman tercih etmeliyim?
Dizilerdeki uzun menzilli bağımlılıkları yakalamanız gerektiğinde ancak LSTM'den daha hızlı, daha hafif eğitim istediğinizde ve aşırı uyumu önlemek için yeterli sıralı veriye sahip olduğunuzda bir GRU seçin.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Gated Recurrent Unit. ScholarGate. https://scholargate.app/tr/deep-learning/gru
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Dikkat MekanizmasıDerin öğrenme↔ karşılaştır
- Çift Yönlü RNNDerin öğrenme↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- Diziden Diziye ModelDerin öğrenme↔ karşılaştır