在Keras中实现RNN，可以使用SimpleRNN、LSTM或GRU等不同类型的RNN层。以下是一个使用SimpleRNN层实现基本RNN的示例代码：

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层的神经元数量，input_shape是输入数据的形状
model.add(Dense(units=10, activation='softmax'))  # 添加输出层
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])  # 编译模型
model.summary()  # 打印模型结构
# 训练模型
model.fit(X_train, y_train, batch_size=32, epochs=5, validation_data=(X_val, y_val))

在上面的代码中，首先创建了一个Sequential模型，然后添加了一个SimpleRNN层和一个全连接输出层Dense。接着编译模型，指定优化器、损失函数和评估指标。最后通过fit方法训练模型。

除了SimpleRNN，还可以使用LSTM和GRU层来实现长短时记忆网络和门控循环单元。只需要将SimpleRNN替换为LSTM或GRU即可。