Framework DL de zéro (AI-4-Alan)

Mon framework de deep learning fait maison — là où je reconstruis les choses depuis zéro pour vraiment les comprendre. Sa colonne vertébrale : une interface de données unique et générique — classification, détection et apprentissage par renforcement passent tous par une même abstraction Dataset, poussée si loin qu'un environnement Gym de RL est lui-même enveloppé comme un Dataset : le même dataloader et la même boucle d'entraînement pilotent alors le supervisé comme le RL. Bâti sur myconf, un système de config typé écrit à la main (coercition par métaclasses, champs calculés paresseux, sans Pydantic), avec des modalités sous-classes de tenseurs (image/texte/bbox) et ResNet · VGG · ViT · DETR (matching hongrois) plus la famille DQN réimplémentés à la main. Embarque un petit autograd scalaire avec visualisation du graphe, pour réapprendre la backprop. ~11k LOC — assumé comme projet d'apprentissage. Ci-dessous : un rollout d'Atari Breakout — l'environnement RL Gym enveloppé comme Dataset — et l'observation 84×84 fournie à l'agent par le pipeline.