Unidades recorrentes com portas (GRU) são apresentadas como uma versão simplificada das LSTMs. As GRUs abordam os mesmos problemas dos RNNs tradicionais, como o desaparecimento do gradiente, mas com menos parâmetros, tornando-as mais rápidas e computacionalmente eficientes.

• Estrutura da GRU: uma GRU possui dois componentes principais—porta de redefinição e porta de atualização. Essas portas controlam o fluxo de informações para dentro e fora da rede, de forma semelhante às portas das LSTMs, mas com menos operações;
• Porta de redefinição: a porta de redefinição determina quanto da memória anterior deve ser esquecida. Ela gera um valor entre 0 e 1, onde 0 significa "esquecer" e 1 significa "reter";
• Porta de atualização: a porta de atualização decide quanto da nova informação deve ser incorporada à memória atual. Ela auxilia na regulação do processo de aprendizado do modelo;
• Vantagens das GRUs: as GRUs possuem menos portas do que as LSTMs, tornando-as mais simples e menos custosas computacionalmente. Apesar da estrutura mais simples, frequentemente apresentam desempenho equivalente ao das LSTMs em diversas tarefas;
• Aplicações das GRUs: as GRUs são comumente utilizadas em aplicações como reconhecimento de fala, modelagem de linguagem e tradução automática, onde a tarefa exige a captura de dependências de longo prazo, mas sem o custo computacional das LSTMs.

Em resumo, as GRUs são uma alternativa mais eficiente às LSTMs, oferecendo desempenho semelhante com uma arquitetura mais simples, tornando-as adequadas para tarefas com grandes conjuntos de dados ou aplicações em tempo real.