一、什么是GRU？
GRU（Gate Recurrent Unit）是循环神经网络（RNN）的一种，可以解决RNN中不能长期记忆和反向传播中的梯度等问题，与LSTM的作用类似，不过比LSTM简单，容易进行训练。
二、GRU详解
GRU模型中有两个门，重置门和更新门，具体作用后面展开说。
先来看一张GRU的图，看不懂没关系，后面慢慢展开说。
符号说明：
:当前时刻输入信息
:上一时刻的隐藏状态，这个隐藏状态包含了之前节点的相关信息。
:传递到下一时刻的隐藏状态
:候选隐藏状态
:重置门
:更新门
:sigmoid函数，通过这个函数可以将数据变为0-1范围的数值。
tanh: tanh函数，通过这个函数可以将数据变为[-1,1]范围的数值
先不看内部具体的复杂关系，将上图简化为下图：
?结合?和?
，GRU会得到当前隐藏节点的输出
和传递给下一个节点的隐藏状态
,这个
?
的推导是GRU的关键所在，我们看一下GRU所用到的公式：
这四个公式互有关联，并不是单独去使用，下面我们详细展开。
1. 重置门
?重置门决定了如何将新的输入信息与前面的记忆相结合，这句话猛的一看也不好理解，我们再继续拆解。
?
?将这个图片转化为公式就是重置门的公式：
这里并不是一个值，而是一个权重矩阵。可以将此公式展开：
用这个权重矩阵对和
拼接而成的矩阵进行线性变换(两个矩阵相乘）。然后将两个矩阵相乘得到的值投入sigmoide函数，会得到
的值，比如：0.6 。这个值会用到候选隐藏状态的公式中，即下面这个公式：
?为了方便理解，我们将这个公式展开：
下面便是重点:
的值越小，它与
哈达玛积出来的矩阵数值越小，再与权重矩阵相乘得到的值越小，
也就是这个值越小，
说明上一时刻需要遗忘的越多，丢弃的越多。
的值越大，?它与
哈达玛积出来的矩阵数值越大，再与权重矩阵相乘得到的值越大，说明上一时刻需要记住的越多，新的输入信息（也就是当前的输入信息
）与前面的记忆相结合的越多。
当的值接近0时，
值也接近为0，说明上一时刻的内容需要全部丢弃，只保留当前时刻的输入，所以可以用来丢弃与预测无关的历史信息。
当的值接近1时，
值也接近为1，表示保留上一时刻的隐藏状态。?
这就是重置门的作用，有助于捕捉时间序列里短期的依赖关系。
2.更新门
?更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，也就是更新门帮助模型决定到底要将多少过去的信息传递到未来，简单来说就是用于更新记忆。结合下面两个公式比较好理解：
更新门公式：
?
更新记忆表达式：
?越接近1，代表”记忆“下来的数据越多；而越接近0则代表”遗忘“的越多。
?
：表示对上一时刻隐藏状态进行选择性“遗忘”。忘记中一些不重要的信息，把不相关的丢弃。
：表示对候选隐藏状态的进一步选择性”记忆“。会忘记?中的一些不重要的信息。也就是对
中的某些信息进一步选择。
综上，
?忘记传递下来的?
中的某些信息，并加入当前节点输入的某些信息。这就是最终的记忆。
门控循环单元GRU不会随时间而清除以前的信息，它会保留相关的信息并传递到下一个单元。
参考资料：