LSTM 具有更长的记忆能力， 在大部分序列任务上面都取得了比基础的 RNN 模型更好的性能表现，LSTM 不容易出现梯度弥散现象。 但是 LSTM 结构相对较复杂， 计算代价较高，模型参数量较大。

一、GRU原理

 研究发现， 遗忘门是 LSTM 中最重要的门控， 甚至发现只有遗忘门的网络在多个基准数据集上面优于标准 LSTM 网络。 在简化版 LSTM中，门控循环网络(Gated Recurrent Unit，简称 GRU)是应用最广泛的 RNN 变种之一。 GRU把内部状态向量和输出向量合并，统一为状态向量 ， 门控数量也减少到 2 个：复位门(Reset Gate)和更新门(Update Gate)

1.复位门

复位门用于控制上一个时间戳的状态进入GRU的量。

门控向量由当前时间戳输入和上一个时间戳状态变化得到的，关系：。门控向量只控制状态，而不会控制输入：。当= 0时， 新输入全部来自于输入， 不接受 ，此时相当于复位。当= 1时， 和输入共同产生新输

 

2.更新门

更新门用控制上一时间戳状态 和新输对新状态向量 的影响程度。 更新门控向量由得到。

 用于控制新输入信号，用于控制上一时间状态信号：

和 对的更新量处于相互竞争、此消彼长的状态。 当更新门= 0时，全部来自上一时间戳状态 ； 当更新门= 1时， 全部来自新输

二、GRU实现

1.GRUCell

GRUCell和SimpleRNNCell、LSTMCell使用一样，创建 GRU Cell 对象，并在时间轴上循环展开运算。它需要维护的初始化状态向量只有一个(单层)

x = tf.random.normal([2, 80, 100])
# 初始化状态向量， GRU 只有一个
h = [tf.zeros([2, 64])]
cell = layers.GRUCell(64)  # 新建 GRU Cell，向量长度为 64
# 在时间戳维度上解开，循环通过 cell
for xt in tf.unstack(x, axis=1):
    out, h = cell(xt, h)

 2.GRU

通过 layers.GRU 类可以方便通过 Sequential 容器可以堆叠多层 GRU 层的网络，并且不行维护初始化状态向量

net = keras.Sequential([
layers.GRU(64, return_sequences=True),
layers.GRU(64)
])
out = net(x)