官方API解读
大家在使用tensorflow中的rnn相关函数构建RNN网络时，可能会发现下面两个函数：
tf.nn.rnn(cell, inputs, initial_state=None, dtype=None, sequence_length=None, scope=None)
tf.nn.dynamic_rnn(cell, inputs, sequence_length=None, initial_state=None, dtype=None, parallel_iterations=None, swap_memory=False, time_major=False, scope=None)
并且可能会非常犹豫到底选用哪个函数。
首先，要明确一点，这两个函数的功能是一样的。
可以肯定，后面tf.nn.rnn这个函数一定会被淘汰，在任何时候你直接用tf.nn.dynamic函数就OK,效率真的高很多。
只不过dynamic_rnn函数可以将输入完全的动态展开(fully dynamic unrolling of inputs)。
对于rnn函数，rnn是静态的展开的，可是支持dynamic computation。
dynamic computation是指图是展开到max_sequence_length的，可是如果在参数中提供sequence_length的话，那么使用条件控制计算只会计算到sequence_length，这样也许可以节省时间。
dynamic unrolling of inputs则是不同的含义，它是指图根据sequence_length的长度来进行展开。在后面我做的一个简单的实验比较中就可以发现，这种动态展开真的很节约时间。
对于rnn，为了在max_sequence_length处获得正确的状态，通常是给输入的左边补零右对齐，这样的话，它的计算就是从len(inputs)-max(sequence_length)处开始的。
说到这，你可能似懂非懂。OK， I will show you the code.
实现的区别
代码在这里
具体的一些项目信息你可以在github上面看到。
当你在看上面两个函数的用法后，一定要注意，以下几点，千万不要以为直接将tf.nn.rnn换成tf.nn.dynamic_rnn就好了。有以下几点是需要同时作出变化的：
看下面之前，第一定要好好看下官方的API说明。
tf.nn.rnn:
- 输入inputs:长度为T的list， 每个list的元素都是[batch_size, in_channels]的tensor
- outputs:长度为T的list,因此最终的输出为outputs[-1]
- state:长度为T的list，因此，最终状态为state[-1]
tf.nn.dynamic_rnn:
在time_major=False的情况下，
- 输入inputs:一个tensor，大小为[batch_size, time_stamp in_channels
- outputs:一个Tensor, 大小为[batch_size, time_stamp in_channels]
- state:final state
因此，你构造输入的方式要变化，你取最终的输出和输出状态时也要进行相应的改变。
如果你不做出改变的话，会出现`Incompatitable for shape`的错误。
在构建了一个T=400, batch_size = 20，hidden_size=100的网络后，运行比较发现，两者时间真的相差很多，dynamic简直太棒了，下面是我程序中同样的设置，比较运行的一个结果。
lstm fixed inputs unrolling : 458.973615 seconds, lstm dynamic inputs unrolling: 124.159002 seconds
