假如说，你再处理文本的时候，写tfrecord的时候用的变长的类型，
example = tf.train.Example(features=tf.train.Features(feature={
'feats': _int64_feature(query_feats)
}))
那么读的时候会用到
features = tf.parse_single_example(
serialized_example,
features={
'feats': tf.VarLenFeature(tf.int64)
})
feats=features['feats']
return feats
这个东西返回值会是一个sparse_tensor，那么在embding_lookup的时候需要用到sparse的函数：
tf.nn.embedding_lookup_sparse(emb,feats, None, combiner="sum")
这在你用tfrecord的时候不会有什么问题，因为tensorflow会自动给你转换成sparse_tensor从而进行embding_lookup_sparse。
但是当你需要feed_dict进行测试的时候，非常不方便：
加入图是这么定义的：
sp_t=tf.sparse_placeholder(tf.int64)
res =tf.nn.embedding_lookup_sparse(emb,sp_t, None, combiner="sum")
举个简单的例子，比如我的矩阵是[1,2]
那么你feed_dict的时候需要：
sess.run(res,feed_dict={sp_t:tf.SparseTensorValue([[0,1], [0,2]], [1, 2], [1, 3]) })
你看多麻烦，你是需要把你的稀疏矩阵的格式转化成SparseTensorValue的格式，
所以呢，我看了一部分人是这么搞的，
1，在生成tfrecord的进行padding，所有处理都当成dense来处理。这样的缺点是tfrecord占用空间比较大
2，在读取到sparse tensor之后使用sparse_to_dense函数转成dense，build graph的时候用dense的来build，这样feed的时候也用可以直接输入的dense的矩阵。注意（sparse_to_dense可以指定padding的长度，sparse_tensor_to_dense会padding到自身最大的长度，如果是每个batch sequence长度不一样的话，用sparse_tensor_to_dense）
参考：
http://stackoverflow.com/questions/41105751/feeding-tensorflow-sparse-matrix-for-sparse-dense-multiplication-getting-the-fo