Gated recurrent units (GRU) introduceras som en förenklad version av LSTM. GRU hanterar samma problem som traditionella RNN, såsom försvinnande gradienter, men med färre parametrar, vilket gör dem snabbare och mer beräkningseffektiva.

• GRU-struktur: en GRU har två huvudkomponenter—reset gate och update gate. Dessa grindar styr informationsflödet in och ut ur nätverket, liknande LSTM-grindar men med färre operationer;
• Reset gate: reset gate avgör hur mycket av det tidigare minnet som ska glömmas. Den ger ett värde mellan 0 och 1, där 0 betyder "glöm" och 1 betyder "behåll";
• Update gate: update gate bestämmer hur mycket av den nya informationen som ska införlivas i det aktuella minnet. Den hjälper till att reglera modellens inlärningsprocess;
• Fördelar med GRU: GRU har färre grindar än LSTM, vilket gör dem enklare och mindre beräkningstunga. Trots sin enklare struktur presterar de ofta lika bra som LSTM i många uppgifter;
• Tillämpningar av GRU: GRU används ofta i tillämpningar som taligenkänning, språkmodellering och maskinöversättning, där uppgiften kräver att långsiktiga beroenden fångas men utan LSTM:s beräkningskostnad.

Sammanfattningsvis är GRU ett mer effektivt alternativ till LSTM, med likvärdig prestanda och en enklare arkitektur, vilket gör dem lämpliga för uppgifter med stora datamängder eller realtidsapplikationer.