Keras/Tensorflow中RNN单元的参数数量（SimpleRN、GRU和LSTM）

我对Keras/Tensorflow 2.1.0为不同RNN层报告的参数数量感到有点困惑。 对于SimpleRN元素，以下代码按预期工作：

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import SimpleRNN, LSTM, GRU, Dense
model = tf.keras.Sequential()
model.add(SimpleRNN(1,input_shape=(None,1), use_bias=True))
model.summary()

并报告3个参数（输入、历史和偏差）-见下文。当我使用带有_bias=False的

时，它会按预期报告两个参数

Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
simple_rnn (SimpleRNN)       (None, 1)                 3         
=================================================================
Total params: 3
Trainable params: 3
Non-trainable params: 0

对于LSTM层，它也能按预期工作（至少对我来说）。守则：

model = tf.keras.Sequential()
model.add(LSTM(1,input_shape=(None,1), use_bias=True))
model.summary()

结果是12个参数，因为我们有4个门，每个门有三个参数。当我使用带有_bias=False的
时，我有8个参数

Model: "sequential_2"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
lstm_1 (LSTM)                (None, 1)                 12        
=================================================================
Total params: 12
Trainable params: 12
Non-trainable params: 0

然而，当我检查GRU单元时，我得到了奇怪的结果

model = tf.keras.Sequential()
model.add(GRU(1,input_shape=(None,1), use_bias=True))
model.summary()

对于
使用_bias=True
我有12个参数，对于
使用_bias=False
6个参数。GRU有三个门，所以我希望它有9个参数，包括3个偏差（每个门一个）。因此，似乎还有三个额外的偏见

Model: "sequential_3"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
gru_1 (GRU)                  (None, 1)                 12        
=================================================================
Total params: 12
Trainable params: 12
Non-trainable params: 0

有人知道为什么这一层有这三个额外的偏差吗