Les unités récurrentes à portes (GRU) sont introduites comme une version simplifiée des LSTM. Les GRU traitent les mêmes problèmes que les RNN traditionnels, tels que la disparition du gradient, mais avec moins de paramètres, ce qui les rend plus rapides et plus efficaces sur le plan computationnel.

• Structure des GRU : un GRU possède deux composants principaux—porte de réinitialisation et porte de mise à jour. Ces portes contrôlent le flux d'information à l'intérieur et à l'extérieur du réseau, de manière similaire aux portes des LSTM mais avec moins d'opérations ;
• Porte de réinitialisation : la porte de réinitialisation détermine la quantité de mémoire précédente à oublier. Elle produit une valeur comprise entre 0 et 1, où 0 signifie « oublier » et 1 signifie « conserver » ;
• Porte de mise à jour : la porte de mise à jour décide de la quantité de nouvelle information à incorporer dans la mémoire actuelle. Elle aide à réguler le processus d'apprentissage du modèle ;
• Avantages des GRU : les GRU possèdent moins de portes que les LSTM, ce qui les rend plus simples et moins coûteux en calcul. Malgré leur structure simplifiée, ils offrent souvent des performances équivalentes à celles des LSTM sur de nombreuses tâches ;
• Applications des GRU : les GRU sont couramment utilisés dans des applications telles que la reconnaissance vocale, la modélisation du langage et la traduction automatique, où la tâche nécessite de capturer des dépendances à long terme sans le coût computationnel des LSTM.

En résumé, les GRU constituent une alternative plus efficace aux LSTM, offrant des performances similaires avec une architecture plus simple, ce qui les rend adaptés aux tâches impliquant de grands ensembles de données ou des applications en temps réel.