GRU 中的 W 和 U 表示什么？
What do W and U notate in a GRU?
我正在尝试弄清楚如何反向传播 GRU 循环网络，但我无法准确理解 GRU 架构。
下图显示了一个具有 3 个神经网络的 GRU 单元，接收串联的先前隐藏状态和输入向量作为其输入。
GRU example
然而，我引用的这张图片用于反向传播，显示输入被转发到每个门的 W 和 U，添加，然后应用它们适当的激活函数。
GRU Backpropagation
维基百科上显示的更新门方程式如下所示
zt = sigmoid((W(z)xt + U(z)ht-1))
谁能给我解释一下 W 和 U 代表什么？
编辑：
在我找到的大部分资料中，W 和 U 通常被称为 "weights"，所以我最好的猜测是 W 和 U 代表它们自己的神经网络，但这与我找到的图像相矛盾之前。
如果有人可以举例说明 W 和 U 如何在简单的 GRU 中工作，那将会很有帮助。
图片来源：
https://cran.r-project.org/web/packages/rnn/vignettes/GRU_units.html
https://towardsdatascience.com/animated-rnn-lstm-and-gru-ef124d06cf45
W 和 U 是在训练期间学习其值的矩阵（a.k.a。神经网络权重）。矩阵 W 乘以向量 xt 并产生一个新向量。类似地，矩阵 U 乘以向量 ht-1 并产生一个新向量。将这两个新向量相加，然后将结果的每个分量传递给 sigmoid 函数。
我正在尝试弄清楚如何反向传播 GRU 循环网络，但我无法准确理解 GRU 架构。
下图显示了一个具有 3 个神经网络的 GRU 单元，接收串联的先前隐藏状态和输入向量作为其输入。
GRU example
然而，我引用的这张图片用于反向传播，显示输入被转发到每个门的 W 和 U，添加，然后应用它们适当的激活函数。
GRU Backpropagation
维基百科上显示的更新门方程式如下所示
zt = sigmoid((W(z)xt + U(z)ht-1))
谁能给我解释一下 W 和 U 代表什么？
编辑：
在我找到的大部分资料中，W 和 U 通常被称为 "weights"，所以我最好的猜测是 W 和 U 代表它们自己的神经网络，但这与我找到的图像相矛盾之前。
如果有人可以举例说明 W 和 U 如何在简单的 GRU 中工作，那将会很有帮助。
图片来源： https://cran.r-project.org/web/packages/rnn/vignettes/GRU_units.html https://towardsdatascience.com/animated-rnn-lstm-and-gru-ef124d06cf45
W 和 U 是在训练期间学习其值的矩阵（a.k.a。神经网络权重）。矩阵 W 乘以向量 xt 并产生一个新向量。类似地，矩阵 U 乘以向量 ht-1 并产生一个新向量。将这两个新向量相加，然后将结果的每个分量传递给 sigmoid 函数。