在Keras中實現RNN，可以使用SimpleRNN、LSTM或GRU等不同類型的RNN層。以下是一個使用SimpleRNN層實現基本RNN的示例代碼：
from keras.models import Sequential
from keras.layers import SimpleRNN, Dense
model = Sequential()
model.add(SimpleRNN(units=64, input_shape=(10, 32))) # units是RNN層的神經元數量，input_shape是輸入數據的形狀
model.add(Dense(units=10, activation='softmax')) # 添加輸出層
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) # 編譯模型
model.summary() # 打印模型結構
# 訓練模型
model.fit(X_train, y_train, batch_size=32, epochs=5, validation_data=(X_val, y_val))
在上面的代碼中，首先創建了一個Sequential模型，然后添加了一個SimpleRNN層和一個全連接輸出層Dense。接著編譯模型，指定優化器、損失函數和評估指標。最后通過fit方法訓練模型。
除了SimpleRNN，還可以使用LSTM和GRU層來實現長短時記憶網絡和門控循環單元。只需要將SimpleRNN替換為LSTM或GRU即可。
