Le unità ricorrenti con porte (GRU) sono introdotte come una versione semplificata delle LSTM. Le GRU affrontano gli stessi problemi degli RNN tradizionali, come il gradiente che svanisce, ma con meno parametri, risultando così più veloci ed efficienti dal punto di vista computazionale.

• Struttura delle GRU: una GRU presenta due componenti principali—porta di reset e porta di aggiornamento. Queste porte controllano il flusso di informazioni dentro e fuori dalla rete, in modo simile alle porte delle LSTM ma con meno operazioni;
• Porta di reset: la porta di reset determina quanto della memoria precedente deve essere dimenticato. Restituisce un valore compreso tra 0 e 1, dove 0 significa "dimentica" e 1 significa "mantieni";
• Porta di aggiornamento: la porta di aggiornamento decide quanta della nuova informazione deve essere incorporata nella memoria attuale. Aiuta a regolare il processo di apprendimento del modello;
• Vantaggi delle GRU: le GRU hanno meno porte rispetto alle LSTM, risultando più semplici e meno costose dal punto di vista computazionale. Nonostante la struttura più semplice, spesso raggiungono prestazioni simili alle LSTM in molti compiti;
• Applicazioni delle GRU: le GRU sono comunemente utilizzate in applicazioni come riconoscimento vocale, modellazione del linguaggio e traduzione automatica, dove è necessario catturare dipendenze a lungo termine senza il costo computazionale delle LSTM.

In sintesi, le GRU rappresentano un'alternativa più efficiente alle LSTM, offrendo prestazioni simili con un'architettura più semplice, rendendole adatte a compiti con grandi dataset o applicazioni in tempo reale.