在PyTorch中，循環神經網絡（RNN）可以通過torch.nn.RNN或torch.nn.LSTM等模塊來實現。這些模塊都繼承自torch.nn.Module類，并在內部封裝了RNN的計算過程。

下面是一個簡單的示例，展示了如何在PyTorch中創建一個基本的循環神經網絡模型：

import torch
import torch.nn as nn

# 定義RNN模型
class RNN(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, output_size):
        super(RNN, self).__init__()
        self.hidden_size = hidden_size
        self.num_layers = num_layers
        self.rnn = nn.RNN(input_size, hidden_size, num_layers, batch_first=True)
        self.fc = nn.Linear(hidden_size, output_size)
        
    def forward(self, x, h0):
        out, hn = self.rnn(x, h0)
        out = self.fc(out[:, -1, :])  # 只取最后一個時間步的輸出作為預測結果
        return out

# 定義輸入參數
input_size = 28
hidden_size = 128
num_layers = 1
output_size = 10

# 創建模型實例
rnn = RNN(input_size, hidden_size, num_layers, output_size)

# 定義輸入數據
x = torch.randn(64, 10, 28)  # (batch_size, sequence_length, input_size)
h0 = torch.zeros(num_layers, x.size(0), hidden_size)  # 初始隱藏狀態

# 前向傳播
output = rnn(x, h0)
print(output.shape)  # 輸出的形狀為(batch_size, output_size)

在上面的代碼中，我們首先定義了一個RNN類，該類繼承自nn.Module，并在構造函數中初始化了RNN模型的各個層。然后在forward方法中，我們執行了RNN的前向傳播計算，并返回最后一個時間步的輸出作為預測結果。最后，我們創建了一個模型實例，定義了輸入數據，并進行了前向傳播計算。

需要注意的是，PyTorch還提供了許多其他類型的循環神經網絡模塊，如nn.LSTM、nn.GRU等，開發者可以根據具體的需求選擇合適的模塊來構建自己的循環神經網絡模型。