在RNN中，权重是通过反向传播算法及其变种来更新的。反向传播算法用于计算权重的梯度，并使用梯度下降方法来最小化损失函数。

  具体而言，RNN的反向传播算法会先通过前向传播计算出RNN每个时间步的输出值，然后逐步计算各个时间步的损失函数梯度，最后通过链式法则将这些梯度传回每个时间步的权重。这样就可以计算出每个权重的梯度，进而根据梯度下降法则更新权重。

  在RNN中，权重的更新主要包括两个步骤：计算梯度和更新权重。计算梯度的过程就是通过反向传播算法将权重梯度从输出层传播回输入层，得到每个权重的梯度。更新权重的过程则是将当前权重值减去学习率乘以对应的梯度，从而逐渐调整权重值。

  需要注意的是，由于RNN的特殊结构，即存在循环连接，因此在反向传播算法中会用到一种称为“反向传播通过时间（BPTT）”的变种方法。BPTT通过展开RNN的时间步骤来计算梯度，然后再将这些梯度进行累积和平均，从而更新权重。

  总之，RNN中的权重是通过反向传播算法和BPTT方法来更新的。这种方法利用梯度下降来优化模型的权重，使得模型能够更好地适应输入数据，并提升在序列任务中的性能。