GRU与普通的循环神经网络之间的关键区别在于： 前者支持隐状态的门控。这意味着模型有专门的机制来确定应该何时更新隐状态， 以及应该何时重置隐状态。GRU能够在较长的时间跨度内保持信息，并有效捕捉长期依赖关系。GRU引入了门控机制（如更新门和重置门），这些机制帮助网络选择性地保留或者遗忘信息，使得梯度能够在长序列中保持稳定，从而解决了梯度消失和梯度爆炸问题。GRU是一种具有门控机制的循环神经网络结构

其原理为通过在损失函数中加上权重的平方和，抑制权重的过大波动，小的权重值意味着模型其中的部分神经元的输出会较小，相当于使模型更简单、更具泛化性，能更好地在未见数据上表现避免模型对训练数据的过拟合。①控制过拟合：L2正则化通过对权重的平方和进行惩罚，促使模型学到较小的权重值，从而减小模型的复杂度。L2正则化是一种用于防止模型过拟合的正则化技术，通过在损失函数中添加正则化项，从而模型在优化的过程中会使

这样，每次训练时，网络的结构都会有所不同，减少了神经元之间的依赖关系，有助于模型学到更具泛化能力的特征。其基本思想是在每次训练过程中，随机“丢弃”网络中的一些神经元（即将它们的输出设为零），使得网络不会过度依赖某些特定的神经元，从而简化网络。②增强网络的鲁棒性:在训练时随机丢弃，所以每次都会使用不同的网络结构，使得模型对不同的输入和训练样本具有更好的适应性。在测试阶段，dropout 通常不进行应