在审视了长短期记忆网络（LSTM）和门控循环单元（GRU）的理论原理，包括其旨在管理信息流并缓解简单RNN中梯度问题的内部门控结构（LSTM中的$f_t, i_t, o_t$，GRU中的$z_t, r_t$）之后，我们现在开始进行它们的实际操作。

本章着重于使用当代深度学习 (deep learning)框架将理论转化为可运行的代码。您将学习实例化由库API提供的LSTM和GRU层，配置它们的主要参数 (parameter)（如隐藏单元数量和激活函数 (activation function)选择），并处理输入和输出所需的预期三维张量形状（批次大小、时间步长、特征）。我们还将通过堆叠循环层来构建更复杂的模型，以提升表示能力，并实施双向处理，让网络能从序列的前向和后向处理中考虑上下文 (context)。一个实际的编码示例将通过将LSTM或GRU模型应用于情感分析任务来巩固这些思想。