Блоки з керованою пам'яттю (GRU) були запропоновані як спрощена версія LSTM. GRU вирішують ті ж проблеми, що й традиційні RNN, зокрема проблему зникнення градієнтів, але мають менше параметрів, що робить їх швидшими та більш ефективними з точки зору обчислень.

• Структура GRU: GRU має дві основні складові — reset gate (ворота скидання) та update gate (ворота оновлення). Ці ворота контролюють потік інформації в мережі та з неї, подібно до воріт у LSTM, але з меншою кількістю операцій;
• Reset gate: ворота скидання визначають, яку частину попередньої пам'яті потрібно забути. Вихідне значення знаходиться в межах від 0 до 1, де 0 означає "забути", а 1 — "зберегти";
• Update gate: ворота оновлення визначають, яку частину нової інформації слід включити до поточної пам'яті. Вони допомагають регулювати процес навчання моделі;
• Переваги GRU: GRU мають менше воріт, ніж LSTM, що робить їх простішими та менш затратними з точки зору обчислень. Незважаючи на простішу структуру, вони часто демонструють таку ж ефективність, як і LSTM, у багатьох завданнях;
• Застосування GRU: GRU широко використовуються у таких сферах, як розпізнавання мовлення, мовне моделювання та машинний переклад, де важливо враховувати довгострокові залежності без значних обчислювальних витрат, характерних для LSTM.

Підсумовуючи, GRU є більш ефективною альтернативою LSTM, забезпечуючи подібну продуктивність при простішій архітектурі, що робить їх придатними для задач з великими наборами даних або для застосувань у реальному часі.