使用tf.Variable时，如果检测到命名冲突，系统会自己处理，即tf.Variable()
每次都在创建新对象，所以reuse=True 和它并没有什么关系。
使用tf.get_variable()时，且reuse=True，
如果已经创建的变量对象，就把那个对象返回，如果没有创建变量对象的话，就创建一个新的，而当reuse=False，系统不会处理冲突，会报错。
x1 = tf.placeholder(tf.int32,shape=[2,2])
print(tf.shape(x1)) # Tensor("Shape:0", shape=(2,), dtype=int32)
print(x1.get_shape()) # (2, 2)
x2 = tf.placeholder(tf.int32)
x3=tf.reshape(x2,[2,2])
print(tf.shape(x2)) #
x4 = tf.placeholder(tf.int32)
x4.set_shape([2,2])shape返回值是一个tensor；get_shape返回的是一个tuple，可以通过as_list()的操作转换成list；reshape生成一个新的shape，x3跟x2是一个不同的tensor，常用于将不确定shape的tensor转为确定shape的tensor，其准确性由编码员保证；set_shape只是设置placeholder的shape。
tf.concat相当于numpy中的np.concatenate函数，用于将两个张量在某一个维度(axis)合并起来：ab=tf.concat([a,b],axis=3)。
tf.stack会在新的张量阶上拼接，产生的张量的阶数将会增加，所以与tf.concat不同，axis是决定其层叠(stack)张量的维度方向的。
tf.unstack与tf.stack的操作相反，是将一个高阶数的张量在某个axis上分解为对应个数的低阶张量。