Gated recurrent units (GRU) introduseres som en forenklet versjon av LSTM-er. GRU-er adresserer de samme utfordringene som tradisjonelle RNN-er, som forsvinnende gradienter, men med færre parametere, noe som gjør dem raskere og mer beregningsmessig effektive.

• GRU-struktur: En GRU har to hovedkomponenter—reset-gate og update-gate. Disse portene styrer informasjonsflyten inn og ut av nettverket, på lignende måte som LSTM-porter, men med færre operasjoner;
• Reset-gate: Reset-gaten bestemmer hvor mye av tidligere minne som skal glemmes. Den gir en verdi mellom 0 og 1, hvor 0 betyr "glemme" og 1 betyr "beholde";
• Update-gate: Update-gaten avgjør hvor mye av ny informasjon som skal inkorporeres i nåværende minne. Den bidrar til å regulere modellens læringsprosess;
• Fordeler med GRU-er: GRU-er har færre porter enn LSTM-er, noe som gjør dem enklere og mindre ressurskrevende. Til tross for sin enklere struktur, presterer de ofte like godt som LSTM-er på mange oppgaver;
• Bruksområder for GRU-er: GRU-er brukes ofte i applikasjoner som talegjenkjenning, språkmodellering og maskinoversettelse, hvor oppgaven krever å fange opp langtidssammenhenger uten den beregningsmessige kostnaden til LSTM-er.

Oppsummert er GRU-er et mer effektivt alternativ til LSTM-er, og gir tilsvarende ytelse med en enklere arkitektur, noe som gjør dem godt egnet for oppgaver med store datasett eller sanntidsapplikasjoner.