v1.0中 tensorflow渐渐废弃了老的非dynamic的seq2seq接口，已经放到 tf.contrib.legacy_seq2seq目录下面。
tf.contrib.seq2seq下面的实现都是dynamic seq2seq接口。
按照google的rd说法下个月将会给出更加完善的接口和实现。
当前版本也可以使用这里尝试分析一下现有dynamic seq2seq的代码。
首先核心函数是seq2seq.py下面的 dynamic_rnn_decoder
这里首先看下dynamic的概念，即不需要确定的输入长度，以及batch 大小， 都可以动态。
但是注意首先每个batch对应所有样本的输入长度还是需要一样的 作为dense数据 否则 不可处理
这也就是说如果你需要特别在意速度的话，即使使用dyanmic 也可能还需要使用bucket来聚集相似长度的
输入样本作为一个batch 加速训练。
不过一般意义上不用的话，代码比较简单，加上dyanmic的seq2seq 性能也可以接受，同时好处是每个batch
的样本可以完全随机。
dynamic_rnn_decoder核心是内部调用raw_rnn来实现迭代过程，这里的dynamic最主要体现在输入的
decoder_fn函数上面。
这个函数允许计算提前终止(early stop) 也就是说 假如你做inference，不用dynamic seq2seq
你一般的做法是指定一个 最大decode长度 比如20, 那么对应所有样本其实都需要decode走完20个
Step 哪怕所有的样本对应输出序列长度都不大于10。
而有了dynamic decode 当一个batch 所有的样本decode到达 类似<END>结束符之后，整个decode过程就
结束了。
但是注意这里仍然是以batch为基础的，也就是说有一个样本比如decode 2次就到达结束符，但是由于
组内其它样本没有结束，仍然需要所有样本继续向后解析，也就是说batch size越大，结束的可能越晚。
dynamic_rnn_decoder有train和inference两种模式，不过如果不使用attention，个人感觉train的时候直接
用dynamic_rnn接口就可以了。
最后按照刚刚master的代码，seq2seq提供了decoder.py以及sampling_decoder.py等相关的示例，
这个接口更加简洁清晰，也就是说不再用context_state来记录用户其余的状态，而是用户自定义
output的结构 将其它信息也直接写入output。
mmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmimmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmm