GRU（Gated Recurrent Unit）也稱門控循環單元結構，它也是傳統RNN的變體，同LSTM一樣能夠有效捕捉長序列之間的語義關聯，緩解梯度消失或爆炸現象。同時它的結構和計算要比LSTM更簡單，它的核心結構可以分爲兩個部分去解析: 更新門、重置門。
GRU的優勢: GRU和LSTM作用相同，在捕捉長序列語義關聯時，能有效抑制梯度消失或爆炸， 效果都優於傳統RNN且計算複雜度相比LSTM要小。
GRU的缺點: GRU仍然不能完全解決梯度消失問題，同時其作用RNN的變體，有着RNN結構本身的一大弊端，即不可並行計算，這在數據量和模型體量逐步增大的未來，是RNN發展的關鍵瓶頸。
