1. 为什么我要折腾一套自编的 TensorFlow 2 教材
先交代一下背景。我负责带一个内部算法小组，组里的人基础参差不齐：有人 PyTorch 写得很溜，有人只写过 scikit-learn，还有人连 Python 的装饰器都没搞明白。一开始我直接用官方文档配合几本畅销书作为学习材料，结果两周之后就出了大问题——看书的人觉得"看懂了"，一上手写模型就卡住；跟着官方教程敲代码的人，跑通了 cifar10 的例子，换到自己的数据集上就彻底懵了。更麻烦的是，组里三个人的学习进度完全对不上，有人卡在数据管道，有人卡在自定义训练循环，我每天要回答大量重复问题。
后来我意识到，问题不在学习的人，而在学习材料本身。市面上的 TensorFlow 2 教材分成两类。一类是给完全没有深度学习经验的新手写的，事无巨细地从 Python 语法开始讲，等讲到 TensorFlow 核心机制的时候，读者已经消耗了大量精力；另一类是给 PyTorch 用户写的快速迁移指南，默认你什么都会，直接扔一堆 API 对比，反而把最关键的中间概念跳过了。我需要的是介于两者之间的东西——能够承上启下，既不给零基础的人添堵，又能让有一定编程经验的人快速抓住 TensorFlow 2 的核心逻辑。
于是就有了这套自编教材。目标很明确：面向有一年以上 Python 编程经验、对机器学习基础概念（损失函数、梯度、过拟合等）有初步了解，但是没深入用过任何深度学习框架的人。我不打算做一本面面俱到的参考手册，而是做一个"从正确使用 TensorFlow 2 的角度组织知识"的教材。前后写了四个月，改了七版，期间踩了不少坑，想把这些过程整理出来分享给同样有自编教材或者培训需求的人。这篇文章不讨论具体的模型算法，而是聚焦在"怎么把一个深度学习框架的核心知识编排成一套能真正教会人的教材"。
2. 教材结构设计：从"API怎么用"转向"计算图怎么想"
2.1 传统结构的问题
最早我按照官方文档的顺序来编排：先讲张量，再讲变量，接着讲自动求导，然后讲 Keras 高层 API，最后补一些自定义训练的内容。这个顺序看起来逻辑严密，实际上对初学者并不友好。
举个例子。官方文档说"张量是不可变的，变量是可变的"，然后用几行代码演示 tf.Variable 的 assign 方法。读者记住了这个结论，但是根本不理解为什么要有这种区分。等到后面接触 tf.function 的时候，又遇到"TensorFlow 2 默认开启动态图模式"这样的描述，脑子里一片混乱。问题出在哪？出在教材的编排逻辑是"按照 API 归属分类"而不是"按照使用者思考问题的路径"来组织的。
我仔细复盘了组员的学习过程，发现真正高效的学习路径是这样的：第一步，理解 TensorFlow 2 的程序本质上是在描述一个计算图，只不过默认情况下这个图是边构建边执行的；第二步，理解自动求导是他不用手算梯度的根本原因，tf.GradientTape 机制是连接"前向计算"和"反向传播"的桥梁；第三步，理解 Keras 是对底层机制的高层封装，所有 Model 内部都有 graph 和 tape 的存在；第四步，才是教他什么时候需要绕过 Keras，直接操作底层 API。
2.2 我最终采用的五阶段结构
基于这个认知，我把教材重新编排为五个部分。第一部分叫"计算图的直觉建立"，不讲任何 API，而是用纯 Python 代码模拟一个微型自动求导引擎。第二部分叫"张量与变量的真正区别"，从内存管理和梯度流的角度解释这两个概念。第三部分叫"让 Keras 为你工作"，覆盖 Sequential 和 Functional API 的完整建模流程。第四部分叫"自定义训练循环"，深入到 tf.GradientTape 的内部机制。第五部分叫"性能与部署"，讨论 tf.function、混合精度和 SavedModel。
这个结构最大的特点是：每一部分都在回答一个"为什么"。第一部分回答"框架到底为我做了什么"，第二部分回答"为什么需要区分数据容器"，第三部分回答"高层 API 是怎么封装的"，第四部分回答"当高层封装不够用的时候怎么办"，第五部分回答"从实验到生产的距离有多远"。
这个结构的好处是，学习者在任何一个阶段遇到问题，都能清楚地知道自己缺的是哪一块知识，而不是茫然地在 API 海洋里捞针。也有学员反馈说，这样组织以后，他从 PyTorch 迁移过来的阻力小了很多，因为 PyTorch 用户的思维习惯也是从 tensor 和 autograd 出发的。
2.3 每一章的固定结构和篇幅控制
每章内部我也做了统一编排：直觉引入（一句话说明本章解决什么问题）——手算小例子（用真实数字走一遍流程）——代码实现（给出可直接运行的代码）——常见误区（总结学员最容易犯错的地方）——本章自测（3到5个小题，不考概念，考判断）。这个结构最早只用于前两章，后来发现学员对所有章节的反馈都很好，就推广到了全册。
篇幅控制方面，我给自己定了一个硬指标：每一章必须能在 90 分钟内学完，连同敲代码的时间。超过这个时间，就说明这一章塞了太多内容。整个教材正文部分最终控制在 280 页左右，练习部分另附。实际使用下来，脱产学习大约需要三周，边工作边学大约六到八周，比我想象的要合理得多。
3. 核心概念的讲解取舍：Eager Execution、自动求导与 tf.function 的三角关系
3.1 用"解释器 vs 编译器"类比 Eager Execution
TensorFlow 2 最核心的机制就是 Eager Execution（动态图模式）。我发现很多教材只讲"默认开启"，却不解释它和 TensorFlow 1.x 的 Session 模式本质区别。而学习者一旦不理解这个，后面理解 tf.function 的加速原理就是空中楼阁。
我在教材里的讲法是带着学员做"Python 解释器 vs 编译器"的实验对比。首先在纯 Python 环境里写一个表达式c = a + b，然后实际打印每一步的中间结果，让他感受"边解释边执行"是什么体验。然后把同样的表达式换成 TensorFlow 2 的张量操作，打印结果，这时候他看到的也是即时计算出来的数值——这就是 Eager Execution 的直观体验，计算图在代码执行的瞬间同步构建且同步运算。
然后我再让他做另一件事：把整个计算逻辑包在@tf.function装饰的函数里，再用同样的输入调用一次。第一次调用会触发 AutoGraph 机制把 Python 代码转换成静态计算图，这个过程有编译开销；从第二次调用开始，输入同样数据，运行速度明显变快。用手表计时，让他自己体会"解释执行"和"编译执行"的差异。
这个类比虽然粗糙，但很有效。学员理解了 TensorFlow 2 其实是"默认解释执行，需要加速时手动切到编译执行"的双模式框架，后面遇到"为什么第一次运行那么慢""为什么加了 tf.function 报错"这类问题就有了排查的思路。
3.2 自动求导：用手算链式法则破除了对框架的"黑盒恐惧"
在自动求导这一章，我花了整整两页手算了一个三层全连接网络的链式法则推导，不用任何矩阵符号，只用标量和求和符号。然后让学员把同样的网络用手写循环的方式实现一次反向传播，再把结果和tf.GradientTape的结果比对。误差精确到小数点后十位——这一步比对，几乎所有人都对自动求导的可靠性建立了信心。
我知道有的同行会觉得这太浪费时间，反正框架都帮你算好了，何必再手算一遍。但根据我的经验，学习者对自动求导的恐惧往往不是"不知道怎么调 API"，而是"不知道我能不能相信这个 API 的梯度是对的"。手算比对这个动作，本质上是在给他一个验证梯度正确性的方法论。之后他写自定义损失函数、自定义层的时候，遇到梯度异常会有自己的排查路径，而不是傻眼。
3.3 tf.function 的边界：哪些 Python 语法能用，哪些不能用
tf.function 是 TensorFlow 2 里最容易被误用的机制。很多人在自定义训练循环里加一个@tf.function，然后发现代码报错，错误信息里提到 AutoGraph 无法转换某些 Python 语法，就一头雾水。
我在教材里专门用了完整的一节来介绍 tf.function 的"可转换语法边界"，核心规则归纳成三条：第一，依赖于运行时数据的 Python 控制流（比如张量数值决定 if 分支）会被转换成 tf.cond 或 tf.switch_case，所以能用；第二，依赖于 Python 常量且输出类型稳定的控制流（比如固定的循环次数）可以被静态展开，能用；第三，依赖全局变量的写操作（比如在函数内部修改一个外层定义的整数计数器）会被忽略或者引发异常，不能用。
同时我给了学员一个非常实用的诊断工具——tf.autograph.to_code。把 Python 函数传进去，就能看到 TensorFlow 生成的伪代码，一眼就能判断哪里被转换了，哪里没被转换。教材里配了三个从"能跑但行为诡异"到"直接报错"的示例代码，每个都配了对应的 to_code 输出，学员跑一遍就能建立对 tf.function 的直觉。这个知识点在很多书籍里被一句"使用 AutoGraph"带过，但我认为它恰恰是理解 TensorFlow 2 的钥匙之一。
4. 代码与练习的设计思路：既要"抄作业"，也要"造轮子"
4.1 第一个完整案例：波士顿房价太小了，我换成了街景特征预测
最初我用教材里最经典的波士顿房价数据集作为第一个完整回归案例。实际使用中发现了两个问题，第一，数据集本身带有一些历史争议，不适合作为教学案例；第二，这个数据集的特征数量太少（13个），学员很难体会特征工程、特征选择和模型容量之间的关系。所以我换成了一个人造数据生成器——从 sklearn 的 make_regression 改造而来，控制特征数量、噪声水平和信息冗余度。
为什么要换成街景特征预测？因为我想让学员在不接触图像模型的情况下，就能体会到"原始特征质量决定模型上限"这个抽象概念。街景特征预测的原始输入是人工构造的 32 维向量，其中只有 8 个维度与目标真正相关，剩余都是噪声和冗余。学员需要自己动手做特征筛选、特征标准化、观察训练曲线，最终得出结论：提高模型性能的关键往往不在模型复杂度，而在特征质量。
这个案例贯穿了回归、评估指标、超参调整三个章节，后面学员学到分类模型时，还能回来对比"连续值问题"和"离散值问题"在损失函数选择上的差异。
4.2 练习的三级设计：API 照抄、流程组合、问题重定义
练习部分是整套教材里修改次数最多的内容。我最初设计的题目偏向于"把知识点复述一遍"，比如"请用 tf.keras.layers.Dense 构建一个两层的全连接网络"。这种题做了等于没做。后来我调整成三个级别。
一级是"API 照抄"，给出完整的问题描述和部分代码骨架，学员只需要补全少数关键行，目标是快速建立对 API 的肌肉记忆。二级是"流程组合"，给出一个比较综合的任务，比如"用 Functional API 搭建一个有跳跃连接的网络，并实现自定义的训练循环"，不提供代码骨架，只提供任务描述和评价标准。三级是"问题重定义"，这最花心思。我不给任务，只给一个数据集和一句模糊的需求，比如"这个数据集的标签有 20% 是错误标注的，请设计一个能够提升鲁棒性的训练方案"，学员需要自己拆解问题、提出假设、设计实验、对比结果。
三级练习刚推出的时候，组里学习最快的那个同事也花了两天。但正是这道题让他真正从"会调 API"变成了"会做研究"。这套三级练习设计后来也被我用在内部新人培训上，效果远远好于以往的任何考核方式。
4.3 代码版本锁定与"可复现三件套"
TensorFlow 2 迭代速度很快，同一个教学代码在不同版本下可能跑出不同结果甚至直接报错。我在教材的扉页就明确了环境版本：Python 3.9.13、TensorFlow 2.10.0、NumPy 1.23.5。为什么锁这几个版本？因为 2.10 是最后一个在 Windows 原生环境下无需额外配置即可安装 TensorFlow 的版本，之后的版本在 Windows 上只能用 WSL 运行，门槛高了很多。
除了锁定版本，我还让每一章的代码都提供三个验证手段：一是完整脚本可以直接 python 运行，二是 Jupyter Notebook 按序执行，三是关键模型训练后用测试集指标做自动化断言。最后这个手段是我自己加的。每个训练脚本运行结束后，会打印一组对比值（期望指标范围 vs 实际指标），如果偏差过大，脚本会醒目地提示"环境差异可能导致结果波动，请先检查数据顺序和随机种子"。这避免了学员跑出不同结果后把锅甩给代码本身。
5. 实战案例铺设：从玩具模型到可部署模型的思考路径
5.1 三个递进式案例的设计逻辑
教材的实战案例部分，我最终确定了三个：图像分类、文本情感分类、结构化数据预测。为什么选这三个？不是为了追赶热点，而是因为它们恰好覆盖了 TensorFlow 2 处理三类不同数据的完整流程。图像走的是tf.data管道 + CNN 的标准路径；文本走的是TextVectorization预处理层 + Embedding + 循环网络的标准路径；结构化数据走的是 FeatureColumn + 宽深混合模型的路径。
这三个案例不是并列的，而是递进的。图像案例教会学员把数据管道跑顺；文本案例教会处理变长序列和词表管理；结构化数据案例则强迫学员思考"当数据不是天然的图像或文本时，怎么设计特征表示"。我见过太多学员，跑通了 CIFAR-10 和 IMDB 之后沾沾自喜，一遇到真实业务里的日志数据就束手无策。所以我特意把最重要的篇幅留给了不适合卷积和循环网络的场景。
5.2 图像分类案例：从"能跑通"到"训练收敛"要过几道坎
图像分类案例我选择的不是 CIFAR-10，而是猫狗分类的子集。为什么不用 CIFAR-10？因为 CIFAR-10 的类别数是 10，学员在分析混淆矩阵时要面对 100 个格子，认知负担太大。猫狗分类只有两个类别，学员可以非常直观地理解"什么是模型分不清的样本"。
代码层面，这个案例引导学员走完一条完整链路：用image_dataset_from_directory构建数据集——做数据增强（翻转、旋转、缩放）——数据标准化——搭建卷积基——添加全连接分类头——编译训练——评估——保存模型——加载预测。每一步都配有"如果这样改会怎样"的变体说明。比如数据增强里有一句提示："如果验证集的增强方式与训练集一致，你的验证分数会虚高到毫无意义"。
学员卡得最多的环节是过拟合控制。教材把这个环节放在了训练之后，先让学员故意增大模型容量、不做任何正则，观察训练集准确率逼近 100% 而验证集保持 75% 左右，然后再逐步引入数据增强、Dropout、权重衰减。这个"先制造问题再解决问题"的顺序，比直接给出一个"标准炼丹配方"的教学效果好得多。
5.3 文本情感分类案例：词表管理是最容易被忽视的细节
文本案例使用的是简化的影评情感数据，但我特意在预处理部分留了一个坑：默认的TextVectorization配置会把所有标点符号剥离、转小写、按空格分词。学员用默认配置完成建模后，我要求他检查词表，这时他才会发现"love"和"love!"变成了同一个词，而"not bad"被拆成了两个独立的 token，丢失了否定语义。
这个坑被挖出来之后，再引导他调整分词器配置，加入ngrams=2参数让模型看到相邻词的组合，模型 F1 分数立即从 0.82 提升到 0.87。这个过程让他真正理解了两件事：文本模型的性能上限是由分词器决定的；默认配置只适合快速跑通，不适合直接上线。这个经验后来被组里做 NLP 的同事直接复用到了生产项目里。
5.4 结构化数据案例：特征列的正确打开方式
第三个案例用的是一个人造的用户行为日志数据，字段类型包括数值、类别、时间戳和缺失值。特别是缺失值，这个在公开数据集里几乎不存在，但在实际业务里几乎必然碰到。学员需要用 FeatureColumn 的numeric_column配合fill_value处理缺失，用categorical_column_with_vocabulary_list处理类别，最后用indicator_column和embedding_column在深模型和浅模型之间做出权衡。
这个案例里有一个观点反复被强调：FeatureColumn 不是 Keras 层，不要把它当作网络结构的一部分来理解，而是看作"描述数据如何被喂给模型"的元信息。理解了这个区分之后，学员才能掌握"同样的 FeatureColumn 可以搭配不同网络结构"这一关键认知。事实上，很多教材把 FeatureColumn 放在 Keras 层一起讲解，这其实是个误导。
6. 从自编教材到教学工作台的配套建设
6.1 配套代码仓库的目录组织：按章节镜像
写教材的过程中我同步维护了一个配套代码仓库，目录结构严格按照章节组织。chapter02_tensors、chapter03_keras、chapter04_custom_loop等，每个目录下都包含三样东西：solution/存放完整代码，exercise/存放练习的代码骨架，notebooks/存放与正文一一对应的 Jupyter Notebook。
目录命名我纠结了很久。一开始用ch1、ch2这样的简称，后来发现学员找文件时经常记不住编号对应关系，因为教材章节编号和文件夹编号容易产生偏移。索性改为按主题命名，直观且不会混淆。这个细节也影响了后来所有内部文档的命名规范：内容标签优先于序号编号，因为人类记忆主题的能力远强于记忆数字。
6.2 自动检查脚本：让练习评价不靠看代码而靠看结果
练习做完了怎么评价？早期我采用人工翻阅代码的方式，每个学员的代码风格不同，评价很难统一。后来我写了一套自动检查脚本，设定为三个层次。
第一个层次是静态检查：用 AST 解析学员提交的代码，确认禁止使用的函数没有被调用（比如练习要求手写反向传播时，禁止调用tf.GradientTape）。第二个层次是动态检查：运行代码，断言损失曲线的最终值必须低于指定阈值，训练时间不能超过指定上限，输出文件的格式必须符合规范。第三个层次是容错测试：故意给学员的模型传入错误形状的输入批数据，检查代码是否给出了清晰可读的报错信息。我明确告诉学员，第三个层次是加分项，能在错误信息设计上下功夫的人，往往对框架的理解更深。
这套脚本我用 pytest 封装，每个人的作业提交后自动执行，结果汇总到一个表格里。它不能代替人对代码风格的审美判断，但能节省我 80% 的重复劳动，让我把时间花在真正需要个性化指导的学员身上。
6.3 反馈收集渠道与迭代速度
教材写了四个月、改了七版，这七版主要不是在写作阶段完成的，而是在实际教学过程中根据学员反馈完成的。我的做法是，每章结尾附一个二维码，学员扫码匿名反馈：这一章哪些地方看不懂、哪些代码跑不通、哪些例子太简单、哪些问题没人解答。二维码指向一个小型表单服务，只有我自己能看。
这个方法效果显著。比如第四章"自定义训练循环"，第一版教材发布后，反馈里集中出现了"为什么叫'自动'求导还需要我手动管理 tape 的 watch 列表"这类问题。所以我针对性地增加了两页内容：GradientTape.watch到底在什么场景下必须主动调用（对常量张量求梯度时），什么场景下不需要（对tf.Variable求梯度时自动被跟踪）。第二版之后，这类反馈数量下降了 70% 以上。
6.4 维护成本与版本漂移的应对策略
深度学习框架的版本漂移是每个自编教材作者都无法回避的痛。我做了两件事来缓解。一是把"依赖环境的准确描述"当作教材正文的一部分来维护，每次更新的依赖版本变更都会在执行环境说明文档里同步记录。二是在每个代码文件的头部都标注了最后一次验证通过的日期和 TensorFlow 版本号。这样，哪怕一年后框架升级，学员也能判断自己遇到的报错到底是代码问题还是版本迁移问题。
实际上，从 2.10 到现在，我的教材经历了三次小的修订：第一次是因为 NumPy 1.24 开始移除了部分旧 API，导致预处理代码崩溃；第二次是因为 TensorFlow 官方调整了tf.data的默认并行参数；第三次是因为新的 Keras 版本修改了若干预处理层的内部实现。每一次修订都不涉及教材理念的变化，但都需要投入大概三到五个工作日的测试时间。这个维护成本算是自编教材的隐形成本，有意向做类似事情的人需要有心理准备。
7. 实际使用效果与几个值得反思的教训
7.1 按数据说话：学习者的关键指标变化
教材投入使用三个月后，我统计了第一批九个学习者的数据。从零开始到完成全部三级练习的平均时间是 34 天，其中最慢的是 51 天，最快的是 22 天。对比之前使用外部教材的记录，平均完成时间缩短了约两周。更重要的是，"遇到报错能够独立定位问题原因"的比例从之前的不到三成提升到了大约七成。
这个数据当然存在幸存者偏差——愿意参加我的自编教材学习的人，本身学习意愿就比较强。但从定性反馈来看，有几个点是学员反复提到的：第一，手算链式法则的部分让他们觉得"框架不再神秘"；第二，三级练习中的"问题重定义"级别让他们第一次体会到了解决开放问题的快感；第三，章节内的"常见误区"总结让他们少走了大量弯路。
7.2 哪些内容是我写了但最终删掉的
有取舍才有重点，说说我删掉的东西。第一版教材里包含了一整章"TensorFlow 2 与 PyTorch 的对比"，分析了大量两个框架的差异，删掉的原因很直接——篇幅很大但内容对动手能力的提升没有帮助，学员学完之后只会增加选择困难。第二版教材里含有一整章"分布式训练"，我认真做了删改，只保留了一个基础的数据并行示例（MirroredStrategy），删掉了参数服务器模式和自定义分布策略的高级内容。基于我自己的判断，对于一个主要目标是"能把模型做出来跑起来"的学习者来说，过早涉足分布式是个效率陷阱。后来反馈也证明，没有人因为缺少高级分布式内容而感到遗憾。
7.3 自编教材最耗时的是"反例"设计而非"正例"设计
写教材之前，我预想最耗时的会是讲解部分。实际动笔之后才发现，真正消耗大把时间的是"常见的错误代码"设计。一个优秀的学习材料，不只是告诉读者"正确怎么做"，更要让他看清"错误是怎么发生的、报错信息是什么意思、怎么定位问题"。设计一个"故意犯某个错误"的示例，需要我先自己按错误的方式把代码写一遍，记录错误信息，确认这个错误信息的提示是明确的还是隐晦的，再考虑如何安排它在正文中的位置。
比如在讲解tf.GradientTape时，我故意设计了"在watch之前计算梯度"和"在tape上下文结束后访问梯度"两种错误写法，让学员自己运行、读报错、修复。这个过程实际上模拟了真实开发中的试错流程。这个设计思路我后来也用到了组内各类技术分享材料中，评价都不错。
7.4 教材边界：当学员问超出范围的问题怎么办
自编教材必然有一个边界，不可能覆盖所有问题。第一批学员里的 A 同学在学到自定义训练循环时，提出了一个很实际的问题：batch size 对梯度预估方差的影响到底有多大？这个问题其实涉及统计学知识，并不适合在框架教材里展开。我最终还是在这个问题下面加了简短的一页补充，用蒙特卡洛模拟实验可视化展示不同 batch size 下梯度的噪声水平，因为这个问题恰好是连接"框架使用"和"模型调参"的关键纽带。至于更深入的优化理论，我把建议阅读的文献附在章末，没有纳入正文。
这个案例也说明了一个原则：教材的边界不是死的，当学员的问题恰好踩在"框架"和"理论"的交界地带时，应该适当补充而不是一律弹回"这是额外知识"。
8. 从自编教材到开源计划的若干思路
8.1 为什么选择开源以及具体的开源方式
我目前正在筹划把这个自编教材整理成开源项目。动机并不复杂，自编教材这件事确实需要投入大量精力和时间，如果只用于组内培训，成本分摊不够。开源能让更多人受益，同时也能借助社区的力量持续维护。
技术层面，我会采用 Docsify 的文档站点形态，把教材正文发布成网页版，代码仓库与文档同步更新。所有资源放在公开平台上，任何人都可以复制、修改、再发布。选择 Docsify 而非更重的框架（比如 Sphinx 或 MkDocs），原因很简单：不需要编译步骤，写 Markdown 直接渲染成站点，流程轻量，随意性强。对教材这种以 Markdown 为主要格式的文档来说，轻量就是最高的优先级。
8.2 内容保护的取舍：反常识地选择宽松授权
授权协议方面，我打算选用宽松的创作共享协议（署名-相同方式共享），允许任何人复制、分发、修改甚至商用，但要求署名并且衍生作品必须采用同样协议。
有人可能会担心：教材开源了，组内培训的竞争力会不会下降？我的判断是恰恰相反。当一本教材可以被所有人自由使用时，真正有价值的就不是教材本身，而是基于教材的培训服务、答疑机制和实操环境。教材开源反而是一个筛选器：留下来的人才是真正愿意投入时间学习的，而不是把教材放进收藏夹吃灰的。
8.3 社区反馈机制：把"用户提交的 issue"变成教材迭代的素材
开源后的反馈机制和组内培训时完全不同。组内培训的反馈是小范围的、相对私密的；开源后的反馈可能是大范围、公开的。我计划设立一套三级的 issue 分类规则：问题类（读者看不懂某段内容）——错误类（代码在某种环境下跑不通）——建议类（读者希望新增某章内容）。每一类都有自己的处理流程：问题类会溯源到对应章节，如果是普遍性问题就在该处补充；错误类会先在统一的环境里复现，然后决定是否修改代码或更新版本说明；建议类会集中评估，每季度合并一次，决定哪些建议值得落地。
这套机制的核心是一个朴素的理念：作者不可能预见所有读者的背景和需求，只有让读者参与进来，教材才能持续生长而不是逐渐僵化。
9. 写在最后：给也想自编教材的人几条实在建议
如果你正准备自编教材，我最想说的三句话是：第一，不要从目录开始写，要从学员的认知路径开始写；第二，不要只写正确做法，要写错误是怎么发生和解决的；第三，不要追求一次写完美，要留出至少两到三个迭代版本的空间。
第一句话的意思是，先琢磨清楚读者可能的已有知识结构和认知误区，而不是机械地按 API 分类堆砌章节。第二句话的意思在本文前面已经充分展开，正确的教学材料要同时包含"反例"的设计。第三句话则是我付了许多精力试错后的经验：自编教材这件事，过程和结果同样重要，通过持续收集反馈修正自己的内容，最终成稿往往和初稿有着非常大的差异。
我在编写这套 TensorFlow 2 教材的过程中收获最多的其实不是教材本身，而是一种"如何系统性地拆解一个复杂知识体系"的能力。这个能力不局限于深度学习框架，迁移到任何技术领域都成立。希望你也能在自编教材的过程中，体会到这种拆解与重构的乐趣。
