罪魁禍首是
訓練過程中給模型傳值時的如下語句：
而其中函數seq2embeded（）中用到了tensorflow的運算：
這兩句會增加graph節點，使得圖在訓練過程中不斷增大，就會不斷消耗內存。
教訓：
訓練過程中，能用numpy處理的運算盡量不用tensorflow中的運算。
如果必須用tensorflow運算，事先在graph中用placehoder( )定以好運算的tensor，訓練過程中用sess.run(..., feed_dict=)傳值。