Las unidades recurrentes con compuertas (GRU) se presentan como una versión simplificada de las LSTM. Las GRU abordan los mismos problemas que las RNN tradicionales, como el desvanecimiento del gradiente, pero con menos parámetros, lo que las hace más rápidas y eficientes computacionalmente.

• Estructura de la GRU: una GRU tiene dos componentes principales—compuerta de reinicio y compuerta de actualización. Estas compuertas controlan el flujo de información dentro y fuera de la red, de manera similar a las compuertas de las LSTM pero con menos operaciones;
• Compuerta de reinicio: la compuerta de reinicio determina cuánto de la memoria previa se debe olvidar. Produce un valor entre 0 y 1, donde 0 significa "olvidar" y 1 significa "retener";
• Compuerta de actualización: la compuerta de actualización decide cuánta de la nueva información debe incorporarse a la memoria actual. Ayuda a regular el proceso de aprendizaje del modelo;
• Ventajas de las GRU: las GRU tienen menos compuertas que las LSTM, lo que las hace más simples y menos costosas computacionalmente. A pesar de su estructura más sencilla, a menudo ofrecen un rendimiento comparable al de las LSTM en muchas tareas;
• Aplicaciones de las GRU: las GRU se utilizan comúnmente en aplicaciones como reconocimiento de voz, modelado de lenguaje y traducción automática, donde la tarea requiere capturar dependencias a largo plazo pero sin el costo computacional de las LSTM.

En resumen, las GRU son una alternativa más eficiente a las LSTM, proporcionando un rendimiento similar con una arquitectura más simple, lo que las hace adecuadas para tareas con grandes conjuntos de datos o aplicaciones en tiempo real.