在神经机器翻译中，常用的编码器和解码器类型有以下几种：

  1. 循环神经网络编码器和解码器（RNN Encoder-Decoder）：这是最早被应用在神经机器翻译中的模型。编码器通过将输入序列逐个词进行嵌入，并将其传递给循环神经网络进行编码。解码器则根据编码器的隐状态以及先前生成的单词，逐个生成翻译序列。

  2. 卷积神经网络编码器和解码器（CNN Encoder-Decoder）：这种模型使用卷积神经网络作为编码器和解码器。编码器通过并行卷积层来捕捉局部的上下文信息，解码器也使用卷积层来生成翻译序列。

  3. 自注意力机制编码器和解码器（Self-Attention Encoder-Decoder）：也被称为Transformer模型，是近年来在神经机器翻译中表现出色的模型。编码器和解码器都使用自注意力机制来捕捉输入序列的全局依赖关系。这种模型能够并行计算，提高了训练和推理效率。

  以上是常见的编码器和解码器类型，每种类型的模型都有其优势和适用场景。在实际应用中，根据任务需要和数据情况，选择适合的编码器和解码器类型来构建神经机器翻译系统。