GRU（Gated Recurrent Unit）也称门控循环单元结构，它也是传统RNN的变体，同LSTM一样能够有效捕捉长序列之间的语义关联，缓解梯度消失或爆炸现象。同时它的结构和计算要比LSTM更简单，它的核心结构可以分为两个部分去解析: 更新门、重置门。

GRU的优势: GRU和LSTM作用相同，在捕捉长序列语义关联时，能有效抑制梯度消失或爆炸， 效果都优于传统RNN且计算复杂度相比LSTM要小。

GRU的缺点: GRU仍然不能完全解决梯度消失问题，同时其作用RNN的变体，有着RNN结构本身的一大弊端，即不可并行计算，这在数据量和模型体量逐步增大的未来，是RNN发展的关键瓶颈。