在RNN (Recurrent Neural Network)中，常用的循环神经单元有以下几种：

  1. 简单循环神经单元（Simple RNN）：也称为Elman网络，是最早提出的RNN模型之一。该模型的隐藏状态不仅依赖于当前输入，还依赖于上一时刻的隐藏状态。它使用基本的tanh函数作为激活函数，能够捕捉短期依赖关系，但在处理长序列时容易产生梯度消失和梯度爆炸问题。

  2. 长短时记忆网络（Long Short Term Memory, LSTM）：为了解决简单循环神经单元中的梯度消失和梯度爆炸问题，LSTM引入了记忆单元和门控机制。通过遗忘门、输入门和输出门等机制，有效地捕捉长期依赖关系并控制信息的传递。LSTM常用于处理序列数据，例如语言模型、机器翻译和语音识别等任务。

  3. 门控循环单元（Gated Recurrent Unit, GRU）：GRU是一种类似于LSTM的门控循环单元结构，它用更简洁的方式实现了类似的记忆和遗忘机制。相较于LSTM，GRU只有两个门（更新门和重置门），相对而言计算量较小，在训练速度上可以更快一些。

  除了上述几种常见的循环神经单元，还有一些变种模型，如Gated Feedback RNN、Echo State Network（ESN）等，它们在某些特定任务上有较好的表现。此外，还有一些改进的RNN结构，如深度RNN、双向RNN和注意力机制的RNN等，在特定任务上也取得了很好的效果。