1. 前言
上一篇我们已经从原理上认识了GRU（门控循环单元）：
它是对基础 RNN 的改进
它引入了门控机制
它通过更新门和重置门来控制信息流
它更擅长处理长期依赖问题
但是，只理解公式还不够。
和前面 RNN 一样，真正把 GRU 学扎实，最好的方式还是：
把公式一步一步写成代码。
这一节的任务就是把 GRU 真正落到实现层面。
你会看到：
GRU 比 RNN 多了哪些参数
更新门、重置门在代码里怎么写
候选隐藏状态如何计算
最终隐藏状态如何更新
简洁实现和从零实现分别怎么对应
这一篇本质上就是：
把“门控记忆”变成可运行的程序。
2. GRU 代码实现要解决什么
如果把这一节拆开看，核心其实就 4 件事：
2.1 初始化更多参数
相比基础 RNN，GRU 不再只有一组隐藏状态更新参数，
而是需要分别为：
更新门
重置门
候选隐藏状态
各自准备参数。
2.2 写新的状态更新公式
也就是把上一篇的四条核心公式真正变成代码。
2.3 保持语言模型训练接口一致
GRU 虽然内部更复杂，但对外仍然要能接：
输入序列
初始状态
输出预测
最终状态
2.4 对照简洁实现
看 PyTorch 里的nn.GRU到底帮我们封装了哪些内容。
3. 先回顾 GRU 的核心公式
写代码前，先把最关键的四条公式再捋清楚。
更新门
Z_t = σ(X_t W_xz + H_{t-1} W_hz + b_z)重置门
R_t = σ(X_t W_xr + H_{t-1} W_hr + b_r)候选隐藏状态
H_t_tilde = tanh(X_t W_xh + (R_t ⊙ H_{t-1}) W_hh + b_h)最终隐藏状态
H_t = Z_t ⊙ H_{t-1} + (1 - Z_t) ⊙ H_t_tilde其中：
σ是 sigmoid⊙是按元素乘法
你可以看到，GRU 和基础 RNN 最大的不同就在于：
更新隐藏状态之前，先算门。
4. GRU 从零实现：先初始化参数
基础 RNN 只需要一套隐藏更新参数。
而 GRU 至少要准备三套。
常见写法如下：
def get_params(vocab_size, num_hiddens, device): num_inputs = num_outputs = vocab_size def normal(shape): return torch.randn(size=shape, device=device) * 0.01 def three(): return (normal((num_inputs, num_hiddens)), normal((num_hiddens, num_hiddens)), torch.zeros(num_hiddens, device=device)) W_xz, W_hz, b_z = three() # 更新门 W_xr, W_hr, b_r = three() # 重置门 W_xh, W_hh, b_h = three() # 候选隐藏状态 W_hq = normal((num_hiddens, num_outputs)) b_q = torch.zeros(num_outputs, device=device) params = [W_xz, W_hz, b_z, W_xr, W_hr, b_r, W_xh, W_hh, b_h, W_hq, b_q] for param in params: param.requires_grad_(True) return params这段代码就是 GRU 从零实现的起点。
5. 为什么这里有三组“输入-隐藏-偏置”参数
因为 GRU 要分别计算三类东西：
第一组：更新门参数
W_xz, W_hz, b_z它们负责控制“旧状态保留多少”。
第二组：重置门参数
W_xr, W_hr, b_r它们负责控制“旧状态在候选状态里参与多少”。
第三组：候选隐藏状态参数
W_xh, W_hh, b_h它们负责生成新的候选状态。
所以，GRU 比 RNN 参数更多，不是因为它“乱加复杂度”，
而是因为它确实要分别处理三种不同功能。
6. 隐藏状态初始化和 RNN 一样吗
基本一样。
因为 GRU 最终对外仍然只有一个隐藏状态H_t，
不像 LSTM 还会多一个单独记忆单元。
所以状态初始化通常仍然写成：
def init_gru_state(batch_size, num_hiddens, device): return (torch.zeros((batch_size, num_hiddens), device=device), )也就是说：
每个样本一份隐藏状态
初始时全零
返回成元组形式，方便接口统一
7. GRU 的前向传播是这一节最核心的代码
常见从零实现写法如下：
def gru(inputs, state, params): W_xz, W_hz, b_z, W_xr, W_hr, b_r, W_xh, W_hh, b_h, W_hq, b_q = params H, = state outputs = [] for X in inputs: Z = torch.sigmoid(torch.mm(X, W_xz) + torch.mm(H, W_hz) + b_z) R = torch.sigmoid(torch.mm(X, W_xr) + torch.mm(H, W_hr) + b_r) H_tilde = torch.tanh(torch.mm(X, W_xh) + torch.mm(R * H, W_hh) + b_h) H = Z * H + (1 - Z) * H_tilde Y = torch.mm(H, W_hq) + b_q outputs.append(Y) return torch.cat(outputs, dim=0), (H,)如果你把这段代码真正看明白，GRU 就已经学通了大半。
8. 更新门这两行代码怎么理解
先看：
Z = torch.sigmoid(torch.mm(X, W_xz) + torch.mm(H, W_hz) + b_z)它对应的就是更新门公式：
Z_t = σ(X_t W_xz + H_{t-1} W_hz + b_z)含义是：
当前输入
X和上一隐藏状态
H共同决定当前时间步“该保留多少旧状态”
Z的形状通常是：
(batch_size, num_hiddens)也就是说，对每个样本、每个隐藏单元，都有一个门控值。
这意味着：
GRU 不是粗暴地对整个状态“一刀切”，而是按隐藏单元逐个控制。
9. 重置门代码怎么理解
再看：
R = torch.sigmoid(torch.mm(X, W_xr) + torch.mm(H, W_hr) + b_r)它对应：
R_t = σ(X_t W_xr + H_{t-1} W_hr + b_r)它决定的是：
在计算候选隐藏状态时，旧隐藏状态该参与多少。
你可以把它理解成一种“历史清洗器”：
R大，说明历史信息还很重要R小，说明历史信息该弱化一些
10. 候选隐藏状态代码怎么理解
这是 GRU 最关键的一步之一：
H_tilde = torch.tanh(torch.mm(X, W_xh) + torch.mm(R * H, W_hh) + b_h)它对应：
H_t_tilde = tanh(X_t W_xh + (R_t ⊙ H_{t-1}) W_hh + b_h)要点在于：
不是直接用H
而是先做：
R * H这表示：
旧隐藏状态先被重置门筛一遍，再参与候选状态生成。
这就是 GRU 相比基础 RNN 非常关键的精细化控制。
11. 最终隐藏状态更新代码怎么理解
看这一句：
H = Z * H + (1 - Z) * H_tilde这就是：
H_t = Z_t ⊙ H_{t-1} + (1 - Z_t) ⊙ H_t_tilde直观上它就是在做：
旧状态和新候选状态的加权平均
如果：
Z大，则更偏向旧状态Z小，则更偏向新候选状态
所以最终隐藏状态不是“全用旧的”也不是“全用新的”，
而是模型自己学出来的动态折中。
这正是 GRU 最大的魅力所在。
12. 为什么说 GRU 的记忆更可控
从这几行代码里你就能直接看出来：
基础 RNN 的状态更新基本是一条路：
输入来
历史来
一起过
tanh更新完成
而 GRU 明显多了控制环节：
先决定历史该参与多少
再生成候选状态
再决定最终保留多少旧状态
所以 GRU 本质上是一种：
可学习的信息流控制机制
而不是单纯“算出一个新状态”而已。
13. 输出层为什么和 RNN 一样
注意这一句：
Y = torch.mm(H, W_hq) + b_q这和基础 RNN 完全一样。
为什么？
因为 GRU 改进的是：
隐藏状态的内部更新机制
而不是语言模型最终输出的形式。
对于字符级语言模型来说，最后仍然是：
当前隐藏状态
映射到词表空间
得到对每个字符的打分
所以输出层部分不需要大改。
14. 从零实现的 GRU 如何封装成模型类
和上一节 RNN 一样，通常也会封装一个“手写模型容器”。
例如继续用之前那种思路：
net = d2l.RNNModelScratch(vocab_size, num_hiddens, device, get_params, init_gru_state, gru)注意这非常漂亮。
你会发现：
模型容器类几乎不用改
只需要把
参数初始化函数
状态初始化函数
前向传播函数
换成 GRU 版本
整个模型就从 RNN 变成了 GRU。
这说明什么？
说明 GRU 和 RNN 在“接口层面”是一致的，
真正变化的是内部单元。
15. 简洁实现：PyTorch 里的nn.GRU
从零实现看懂以后，简洁实现就很好接受了。
PyTorch 已经封装好了：
nn.GRU基本用法和nn.RNN非常相似。
例如：
gru_layer = nn.GRU(input_size=vocab_size, hidden_size=num_hiddens)这里：
input_size仍然是每个时间步输入向量维度hidden_size仍然是隐藏状态维度
然后前向传播接口也很像：
Y, state = gru_layer(X, state)输出逻辑和nn.RNN一样：
Y：所有时间步输出state：最后隐藏状态
16. 为什么nn.GRU用法和nn.RNN这么像
因为从更高层视角看，它们都属于：
循环序列建模模块
它们对外接口基本一致：
输入序列
初始状态
输出序列
最终状态
只不过内部单元计算方式不同：
nn.RNN
内部是基础循环单元。
nn.GRU
内部是门控循环单元。
所以你可以把 GRU 看成是：
RNN API 体系下的一个更强单元版本
这对工程使用非常友好。
17. 简洁实现里的模型封装怎么写
和简洁版 RNN 一样，通常可以继续复用同样的模型外壳：
GRU 层负责序列递推
线性层负责把隐藏状态映射到词表空间
也就是说，模型代码结构上几乎不用大动，
只要把：
rnn_layer = nn.RNN(...)换成：
gru_layer = nn.GRU(...)就能得到 GRU 版本模型。
这说明：
GRU 的升级主要体现在循环单元内部，不在外围框架。
18. GRU 代码和 RNN 代码最本质的区别在哪里
这是这一节最该点破的地方。
RNN 从零实现
核心只有一条隐藏状态更新公式。
GRU 从零实现
核心变成了：
先算更新门
再算重置门
再算候选状态
再融合新旧状态
所以如果你问：
GRU 相比 RNN，代码上本质多了什么？
答案就是：
多了门控变量和基于门控的状态融合机制
其他外部流程，例如：
one-hot 输入
初始状态
输出层
文本生成
其实都还是同一套套路。
19. GRU 训练时需要额外特殊处理吗
整体训练流程和 RNN 基本一致。
仍然是：
输入 token 序列
输出对下一个 token 的预测
用交叉熵损失
反向传播
梯度裁剪
参数更新
所以从训练框架角度，GRU 并没有引入额外特别陌生的流程。
变化的是内部状态更新更智能了。
这也是为什么在工程里，GRU 往往可以很平滑地替代基础 RNN。
20. 为什么 GRU 常常比基础 RNN 更实用
从代码层面你已经能看出来原因：
第一，它可以显式保留旧状态
更新门允许旧信息直接穿过去。
第二，它可以有选择地忽略部分历史
重置门让模型不会被无关旧信息拖累。
第三，它改进了梯度传播路径
虽然不能彻底消除所有问题，但比基础 RNN 更容易训练稳定。
所以很多时候，GRU 是一种：
在复杂度和性能之间比较均衡的循环结构
21. 这一节最该掌握什么
如果从学习重点来看，这一节最关键的是下面几件事。
21.1 看懂参数初始化比 RNN 多在哪
知道为什么 GRU 至少需要三组核心参数。
21.2 看懂四条核心公式如何一一落到代码
尤其是：
ZRH_tildeH
之间的关系。
21.3 理解最终状态更新是“新旧信息加权融合”
这是 GRU 相比 RNN 的本质增强。
21.4 知道nn.GRU和nn.RNN的接口非常接近
方便后面工程应用。
21.5 明白 GRU 的改进点主要发生在单元内部
外围训练逻辑其实变化不大。
22. 本节总结
这一节我们学习了 GRU 的代码实现，核心内容可以总结为以下几点。
22.1 GRU 从零实现比 RNN 多了门控参数
主要包括：
更新门参数
重置门参数
候选状态参数
22.2 GRU 前向传播的关键是先算门，再更新状态
这让信息流更加可控。
22.3 最终隐藏状态是旧状态和候选状态的门控融合
而不是像基础 RNN 那样一次性混合更新。
22.4 简洁实现里nn.GRU和nn.RNN用法高度相似
只不过内部计算更强。
22.5 GRU 是基础 RNN 向更强序列建模迈出的重要一步
也是后面 LSTM 的前置基础。
23. 学习感悟
这一节很有意思，因为你会第一次非常明显地感受到：
一个模型的提升，不一定来自“推翻重来”，也可能来自对信息流路径做精细控制。
GRU 其实没有把循环神经网络完全重写，
它只是问了两个更聪明的问题：
以前的信息还值不值得保留？
新的信息该不该立刻写进去？
就是这两个问题，让它比基础 RNN 更能“记事”。
从这个角度看，GRU 的优雅之处，不在于公式复杂，
而在于它让记忆管理第一次变得真正有策略。
