GRU 原理

门控循环单元（GRU）与 长短期记忆（LSTM）原理非常相似，同为使用门控机制控制输入、记忆等信息而在当前时间步做出预测。但比起 LSTM，GRU的门控逻辑有些许不同。

GRU 门控逻辑

因为与 LSTM 非常相似，这里就不赘述相同点，仅谈谈他们之间的不同点，想要详细了解，请移步LSTM原理及Keras中实现了解

与 LSTM 的三中门（输入门、遗忘门和输出门）和细胞状态不同，GRU 摆脱了细胞状态仅隐藏状态来传输信息，他只有两个门，一个复位门(reset gate)和一个更新门(update gate)

GRU门控结构

注：GRU 同样也有激活函数tanh(蓝)和Sigmoid(红)

更新门

更新门的作用类似于LSTM的遗忘门和输入门。它决定了要丢弃哪些信息以及要添加的新信息。

重置门

重置门是另一个门，它决定忘记过去的信息量。

GRU优势

因为 GRU 的一个细胞单元门结构少于 LSTM，所以计算量要小于 LSTM，使得他比 LSTM 更快。

GRU 在 Keras 中的实现

代码几乎与同 LSTM 相同，仅需导入 GRU 模型，即可建立与 LSTM 类似的模型结构，参数说明也几乎一致，不再赘述。

from keras.models import Sequential
from keras.layers.core import Dense, Activation, Dropout
from keras.layers.recurrent import GRU

model = Sequential()
model.add(GRU(units=100, input_shape=(30, 40), return_sequences=True))
model.add(Dropout(0.2))

model.add(GRU(units=50, return_sequences=False))
model.add(Dropout(0.2))

model.add(Dense(units=1))
model.add(Activation("linear"))
model.compile(loss="mse", optimizer="adam", metrics=['mae', 'mape'])