Summary  
Gated Recurrent Units (GRUs) are a recurrent neural network cell that uses two gates—reset and update—to regulate information flow and capture long-term dependencies with fewer parameters and computations than LSTMs.

General domain of usage  
Speech recognition

**Unidades recorrentes com portas** (**GRU**) são apresentadas como uma versão simplificada das LSTMs. As GRUs abordam os mesmos problemas dos RNNs tradicionais, como gradientes que desaparecem, mas com menos parâmetros, tornando-as mais rápidas e computacionalmente eficientes.


Definição

- **Estrutura da GRU**: uma GRU possui dois componentes principais—**porta de reset** e **porta de atualização**. Essas portas controlam o fluxo de informações para dentro e fora da rede, de forma semelhante às portas das LSTMs, mas com menos operações;  
- **Porta de reset**: a porta de reset determina quanto da memória anterior deve ser esquecida. Ela gera um valor entre 0 e 1, onde 0 significa "esquecer" e 1 significa "reter";  
- **Porta de atualização**: a porta de atualização decide quanto da nova informação deve ser incorporada à memória atual. Ela auxilia na regulação do processo de aprendizado do modelo;  
- **Vantagens das GRUs**: as GRUs possuem menos portas do que as LSTMs, tornando-as mais simples e menos custosas computacionalmente. Apesar da estrutura mais simples, frequentemente apresentam desempenho equivalente ao das LSTMs em diversas tarefas;  
- **Aplicações das GRUs**: as GRUs são comumente utilizadas em aplicações como **reconhecimento de fala**, **modelagem de linguagem** e **tradução automática**, onde a tarefa exige captura de dependências de longo prazo, mas sem o custo computacional das LSTMs.



Em resumo, as GRUs são uma alternativa mais eficiente às LSTMs, oferecendo desempenho semelhante com uma arquitetura mais simples, tornando-as adequadas para tarefas com grandes conjuntos de dados ou aplicações em tempo real.


Qual das alternativas a seguir NÃO é um componente de uma GRU?

Foco exclusivo em Redes Neurais Recorrentes (RNNs) e sua aplicação na geração de sequências. Este módulo avançado aborda a teoria central das RNNs e abordagens práticas para modelagem de dados sequenciais, preparando você para trabalhar com redes LSTM e GRU em Python.

Unidades Recorrentes com Portas (GRU)