tf中有两对方法比较容易混淆，涉及的是shape问题，在此做一些区分。
首先说明tf中tensor有两种shape，分别为static (inferred) shape和dynamic (true) shape，其中static shape用于构建图，由创建这个tensor的op推断（inferred）得来，故又称inferred shape。如果该tensor的static shape未定义，则可用tf.shape()来获得其dynamic shape。
1. 区分x.get_shape()和x = tf.shape(x)
x.get_shape()返回static shape，只有tensor有这个方法，返回是元组。
x.get_shape().as_list()是一个常用方法，经常被用于将输出转为标准的python list。
关于static shape的样例示范如下：
x = tf.placeholder(tf.int32, shape=[4])
print x.get_shape()
# ==> '(4,)'
get_shape()返回了x的静态类型，4代指x是一个长度为4的向量。需要注意，get_shape()不需要放在session中即可运行。
与get_shape()不同，tf.shape()的示例代码如下：
y, _ = tf.unique(x)
print y.get_shape()
# ==> '(?,)'
sess = tf.Session()
print sess.run(y, feed_dict={x: [0, 1, 2, 3]}).shape
# ==> '(4,)'
print sess.run(y, feed_dict={x: [0, 0, 0, 0]}).shape
# ==> '(1,)'
通过此代码体会两种shape的不同，需要注意tf.shape()需要在session中运行。
2. 区分x.set_shape()和tf.reshape()
set_shape更新tensor的static shape，不改变dynamic shape。reshape创建一个具备不同dynamic shape的新的tensor。
参考：
http://stackoverflow.com/questions/37096225/how-to-understand-static-shape-and-dynamic-shape-in-tensorflow
https://www.tensorflow.org/programmers_guide/faq
