Gated recurrent units (GRU) worden geïntroduceerd als een vereenvoudigde versie van LSTMs. GRU's pakken dezelfde problemen aan als traditionele RNN's, zoals verdwijnende gradiënten, maar met minder parameters, waardoor ze sneller en efficiënter zijn in het gebruik van rekenkracht.

• GRU-structuur: een GRU heeft twee hoofdcomponenten—reset gate en update gate. Deze gates regelen de informatiestroom in en uit het netwerk, vergelijkbaar met LSTM-gates maar met minder bewerkingen;
• Reset gate: de reset gate bepaalt hoeveel van het vorige geheugen wordt vergeten. Het geeft een waarde tussen 0 en 1, waarbij 0 "vergeten" betekent en 1 "behouden";
• Update gate: de update gate bepaalt hoeveel van de nieuwe informatie in het huidige geheugen wordt opgenomen. Dit helpt bij het reguleren van het leerproces van het model;
• Voordelen van GRU's: GRU's hebben minder gates dan LSTMs, waardoor ze eenvoudiger en minder rekenintensief zijn. Ondanks hun eenvoudigere structuur presteren ze vaak net zo goed als LSTMs bij veel taken;
• Toepassingen van GRU's: GRU's worden vaak gebruikt in toepassingen zoals spraakherkenning, taalmodellering en machinetranslatie, waar het belangrijk is om lange-termijn afhankelijkheden vast te leggen zonder de rekenkosten van LSTMs.

Samengevat zijn GRU's een efficiënter alternatief voor LSTMs, met vergelijkbare prestaties en een eenvoudigere architectuur, waardoor ze geschikt zijn voor taken met grote datasets of realtime toepassingen.