结构：
特点：
结构简单，参数较少
结构图：
对比LSTM：
1.LSTM有三个门，而GRU只有两个门
2.LSTM在左侧有两项输入，而GRU只有一项输入，将两项和
合二为一合成一个部分
3.LSTM中的参数数量很多（、
、
、
等9个），而GRU中的参数少得多（
、
等6个）
4.LSTM中的门为输入门、遗忘门、输出门，GRU的门为更新门和重置门
关注一个序列：
不是每个观察值都同等重要：
做RNN时，处理不了太长的序列，因为将整个序列信息放在隐藏状态里；当时间很长时，隐藏状态就累积了很多信息，对于前面很久前的信息并不容易将其抽取出来。
老鼠较为重要，第一次出现的猫也较为重要。
在现实生活中的NLP里，句子里可能只有一些关键字比较重要，关键句比较重要，其他的也不是很重要；类似于股票，重要的是几个点；电影里的几帧相类似，但在切换场景时，每次切换比较重要。
在RNN中无法实现特别关注某些区域，对RNN而言所有信息都为一个序列输入，门控神经网络通过一些额外的控制单元使得在构造隐藏状态时，可以选择的（重要的记住，不重要的忘记）浏览。
想只记住相关的观察需要：
能关注的机制（更新门）
能遗忘的机制（重置门）
门：
下图表示为一个层
：重置；若为RNN，则等价于使用sigmoid做激活函数的隐藏状态的计算方法
：更新；对比
也有自己的权重
门：与隐藏状态同样长度的一个向量，与RNN计算隐藏状态的方法类似
候选隐藏状态：
定义：
并不是真正的隐藏状态，而是候选的隐藏状态。
假设不看，类似于之前的RNN计算隐藏层
但现在加入了一个，用
代表对元素进行乘法；因为
和
的长度相同，可以按元素做乘法且值域在（0，1）之间，假设
中的元素更靠近“0”，那么运算后的结果更靠近“0”，等于把上一时刻的隐藏状态忘记；假设
中的元素更靠近“1”，那么运算结果更靠近“1”，等价于RNN做运算的结果。
可以根据前面的信息进行学习，决定信息可以丢弃或保留，是一个控制单元，被称为"门"。因为值域在（0，1），代表可以在（0，1）之间做比较软的控制。
隐状态：
：上一次的隐藏状态
：候选项隐藏状态
：控制单元；若
为“1”，
=
，不更新过去状态，将过去状态放入现在，忽略掉元素；当
为“0”，基本回到了RNN的情况，基本不看过去状态，而是看现在的状态。
总结：
引入了两个额外门，每个门可以学到的参数和之前的RNN一样多；两个门都为一个控制单元，控制（0，1）的输出值；Reset gate用来在更新新隐藏状态时，要用到多少过去隐藏状态的信息，在算新的隐藏状态时，需要用当前相关的多少信息；极端情况下，
回到RNN的情况；
