# GRU 網絡 LSTM 網絡的計算成本很高，因此，研究人員發現了一種幾乎同樣有效的 RNN 配置，稱為**門控遞歸單元**（ **GRU** ）架構。 在 GRU 中，不使用工作和長期記憶，只使用一種記憶，用 _**h**_（隱藏狀態）表示。 GRU 單元通過**復位**和**更新**門將信息添加到此狀態存儲器或從該狀態存儲器中刪除信息。 下圖描繪了 GRU 單元（說明如下圖）： The GRU Cell GRU 單元中通過門的內部流量如下： 1. **更新門`u()`**：輸入`h[t-1]`和`x[t]`按照以下公式流向`u()`門：  2. **復位門`r()`**：輸入`h[t-1]`和`x[t]`按照以下公式流向`r()`門：  1. **候選狀態記憶**：候選長期記憶是根據`r()`門，`h[t-1]`和`x[t]`的輸出計算出來的，按照下列公式：  2. 接下來，組合前面的三個計算以得到更新的狀態存儲器，由`h[t]`，表示，如下式所示：  閱讀以下研究論文以探索 GRU 的更多細節： ``` K. Cho, B. van Merrienboer, C. Gulcehre, D. Bahdanau, F. Bougares, H. Schwenk, and Y. Bengio, Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation, 2014.?https://arxiv.org/abs/1406.1078 J. Chung, C. Gulcehre, K. Cho, and Y. Bengio, Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling, pp. 1–9, 2014.?https://arxiv.org/abs/1412.3555 ```