GRU（Gated Recurrent Unit，门控循环单元），是一种循环神经网络（Recurrent Neural Network, RNN）的变体，旨在处理序列数据，特别是在解决传统RNN存在的梯度消失和梯度爆炸问题方面表现出色，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。GRU由Cho等人在2014年提出，它通过引入门控机制有效解决了这些问题，尤其适合处理长时间依赖的数据。GRU的设计目的是在保持计算效率的同时，拥有较高的性能，适用于广泛的序列处理任务。GRU的核心特点包括两个门：更新门（update gate）和重置门（reset gate），更新门控制着前一时刻的隐藏状态在多大程度上被保留到当前时刻，而重置门决定了如何将新的输入信息与之前的记忆相结合，这两个门的引入使得GRU能够更加灵活地处理序列数据，尤其是在保留长期序列信息的同时减少梯度消失问题，这种简化使得GRU在参数数量上少于LSTM，从而提高了计算效率。GRU因其在处理序列数据时的有效性和效率，在自然语言处理（NLP）、时间序列预测、语音识别和合成、计算机视觉等领域得到广泛应用。