循环神经网络（Recurrent Neural Network, RNN）在AIGC（AI Generated Content）中扮演着重要角色，尤其是在处理序列数据如文本、语音等方面。下面是一个使用Python和Keras库构建简单RNN来生成文本的示例。我们将使用莎士比亚作品的一部分作为训练数据。

步骤 1: 准备数据

首先，我们需要下载莎士比亚作品的文本数据，然后将其预处理成适合RNN训练的形式。

import numpy as np
from keras.models import Sequential
from keras.layers import Dense, Activation
from keras.layers import LSTM
from keras.optimizers import RMSprop
import random
import sys

# 加载数据
path = 'shakespeare.txt'
text = open(path).read().lower()
print('corpus length:', len(text))

# 创建字符到索引和索引到字符的映射
chars = sorted(list(set(text)))
char_indices = dict((c, i) for i, c in enumerate(chars))
indices_char = dict((i, c) for i, c in enumerate(chars))

# 将文本转换为整数序列
maxlen = 40
step = 3
sentences = []
next_chars = []
for i in range(0, len(text) - maxlen, step):
    sentences.append(text[i: i + maxlen])
    next_chars.append(text[i + maxlen])
print('number of sequences:', len(sentences))

# 向量化输入数据
X = np.zeros((len(sentences), maxlen, len(chars)), dtype=np.bool)
y = np.zeros((len(sentences), len(chars)), dtype=np.bool)
for i, sentence in enumerate(sentences):
    for t, char in enumerate(sentence):
        X[i, t, char_indices[char]] = 1
    y[i, char_indices[next_chars[i]]] = 1

步骤 2: 构建模型

接下来，我们定义一个简单的RNN模型，这里使用的是LSTM单元，因为LSTM能够更好地处理长期依赖问题。

# 构建模型
model = Sequential()
model.add(LSTM(128, input_shape=(maxlen, len(chars))))
model.add(Dense(len(chars)))
model.add(Activation('softmax'))

optimizer = RMSprop(lr=0.01)
model.compile(loss='categorical_crossentropy', optimizer=optimizer)

步骤 3: 训练模型

现在，我们可以训练我们的模型了。

def sample(preds, temperature=1.0):
    # 辅助函数，用于根据概率分布采样下一个字符
    preds = np.asarray(preds).astype('float64')
    preds = np.log(preds) / temperature
    exp_preds = np.exp(preds)
    preds = exp_preds / np.sum(exp_preds)
    probas = np.random.multinomial(1, preds, 1)
    return np.argmax(probas)

# 训练模型
for iteration in range(1, 60):
    print()
    print('-' * 50)
    print('Iteration', iteration)
    model.fit(X, y,
              batch_size=128,
              epochs=1)

    start_index = random.randint(0, len(text) - maxlen - 1)

    for diversity in [0.2, 0.5, 1.0, 1.2]:
        print()
        print('----- diversity:', diversity)

        generated = ''
        sentence = text[start_index: start_index + maxlen]
        generated += sentence
        print('----- Generating with seed: "' + sentence + '"')
        sys.stdout.write(generated)

        for i in range(400):
            x = np.zeros((1, maxlen, len(chars)))
            for t, char in enumerate(sentence):
                x[0, t, char_indices[char]] = 1.

            preds = model.predict(x, verbose=0)[0]
            next_index = sample(preds, diversity)
            next_char = indices_char[next_index]

            generated += next_char
            sentence = sentence[1:] + next_char

            sys.stdout.write(next_char)
            sys.stdout.flush()
        print()

这段代码将训练一个RNN模型，用于生成类似莎士比亚风格的文本。请注意，实际运行此代码需要先获取莎士比亚作品的文本文件，并将其保存为shakespeare.txt。

这个简单的示例展示了如何使用RNN和Keras来生成文本，但实际应用中可能需要更复杂的模型和更长的训练时间来获得高质量的生成结果。