GRU，全称 门控循环单元（Gated Recurrent Unit），是 循环神经网络（Recurrent Neural Network, RNN）的一种。它旨在解决传统RNN在处理长期依赖关系时遇到的梯度消失或梯度爆炸问题。GRU通过引入两个关键的门控机制——更新门（Update Gate）和重置门（Reset Gate），使得网络能够更好地捕捉序列数据中的长期依赖关系，同时提高训练效率和速度。

GRU的基本结构包括：

更新门：

决定当前时间步的隐藏状态应该保留多少来自上一时间步的信息。

重置门：

决定当前时间步的隐藏状态应该忽略多少来自上一时间步的信息，并重新初始化隐藏状态。

通过这两个门的协同工作，GRU能够有效地捕捉序列数据中的长期依赖关系，并在自然语言处理、时间序列预测等领域有广泛应用。