在Keras中使用循環神經網絡（RNN），可以通過使用RNN層來構建模型。以下是一個使用SimpleRNN層的簡單示例：
from keras.models import Sequential
from keras.layers import Embedding, SimpleRNN
model = Sequential()
model.add(Embedding(input_dim=1000, output_dim=32, input_length=100))
model.add(SimpleRNN(units=64))
model.add(Dense(units=1, activation='sigmoid'))
model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['accuracy'])
model.summary()
在上面的示例中，首先導入必要的庫，然后創建一個Sequential模型。接著，通過添加Embedding層將輸入數據轉換為密集向量表示，然后添加SimpleRNN層。最后添加一個全連接層，輸出結果為1，并使用sigmoid激活函數進行二分類任務。最后編譯模型，定義優化器、損失函數和評估指標。
在實際使用中，可以根據具體任務的需求和數據集的特點選擇不同的RNN層（如LSTM、GRU等），并進行超參數調整和模型訓練。
