# TensorFlow 中的 GRU 要將最后一節中的 LSTM 示例更改為 GRU 網絡， 按如下方式更改單元類型，TensorFlow 將為您處理其余部分： ```py cell = tf.nn.rnn_cell.GRUCell(state_size) ``` 筆記本 `ch-07a_RNN_TimeSeries_TensorFlow`中提供了 GRU 模型的完整代碼。 對于小`airpass`數據集，GRU 在相同數量的周期中表現出更好的表現。在實踐中，GRU 和 LSTM 表現出相當的表現。就執行速度而言，與 LSTM 相比，GRU 模型訓練和預測更快。 GRU 模型的完整代碼在 Jupyter 筆記本中提供。GRU 模型的結果如下： ```py train mse = 0.0019633215852081776 test mse = 0.014307591132819653 test rmse = 0.11961434334066987 ```  我們鼓勵您探索 TensorFlow 中可用的其他選項來創建循環神經網絡。現在讓我們在 TensorFlow 的一個高級庫中嘗試相同的示例。 對于下一節，您可以按照 Jupyter 筆記本中的代碼`ch-07b_RNN_TimeSeries_Keras`。