---
title: "門控遞迴單元（GRU）"
slug: gru
language: zh-TW
source: https://aiterms.tw/terms/gru
updated_at: 2026-06-23
tags: [深度學習, 時序分析, 機器學習, AI基礎]
ipas_term: false
---

# 門控遞迴單元（GRU）

LSTM的簡化版本，參數更少、訓練更快，在多數序列任務上性能相當。

## 完整說明

GRU（門控遞迴單元）由Cho等人於2014年提出，是LSTM的簡化變體。GRU將LSTM的三個門合併為兩個（重置門和更新門），減少了可學習的參數數量約25%，降低了計算複雜性。儘管結構簡化，GRU在機器翻譯、語言建模和時序預測等多數任務上的性能與LSTM相當或更優。GRU因其高效性和性能平衡，在資源受限的應用中廣受歡迎。

## 常見問題

### GRU和LSTM在性能上有明顯差異嗎？

在大多數基準任務（如機器翻譯、語言建模）上，GRU和LSTM的性能差異不超過1-2%，在統計上往往不顯著。某些任務GRU更優，某些LSTM更優，但無明確的勝者。這意味著在實務應用中，應根據其他因素（訓練速度、資源消耗、部署環境）做決策。一般建議優先嘗試GRU因為更高效，只在GRU表現不佳時才升級到LSTM。

### GRU如何在更少參數下實現與LSTM相似的功能？

核心在於GRU的設計巧妙地合併了LSTM的門控邏輯。LSTM將記憶更新（遺忘和輸入）與輸出分離為獨立的操作，GRU則統一為單個隱藏狀態，用更新門一次性控制新舊信息的比例。重置門相當於LSTM遺忘門的變種。這種統一設計在數學上是等價或接近的，但參數更少。研究表明人工精心設計的簡化模型有時可以匹敵複雜模型。

### 在什麼情況下應該選GRU而不是LSTM？

選擇GRU的場景包括：資源受限（邊緣裝置、手機、IoT）、需要快速訓練和部署、GPU或TPU不可用（CPU上GRU快得多）、模型需要頻繁重新訓練（如線上學習）。選擇LSTM的場景包括：有充足計算資源、任務極其複雜、遇到GRU性能瓶頸。實務建議是先用GRU快速迭代驗證想法，驗證可行後再按需升級到LSTM。

---

來源：https://aiterms.tw/terms/gru
快查頁：https://aiterms.tw/terms/gru
最後更新：2026/06/23
深度解說：https://aiterms.tw/learning/what-is-gru