lint

_doc/sphinxdoc/source/blog/2021/2021-02-01_reading.rst

@@ -13,7 +13,7 @@
 
     Un article qui n'a rien à voir
     `The Indirect Convolution Algorithm <https://arxiv.org/pdf/1907.02129.pdf>`_.
-    
+
     Je m'aperçois également que beaucoup de projets
     de machine learning commencent par la mise au point
     d'un modèle et repoussent la mise en production à plus tard,

_doc/sphinxdoc/source/blog/2021/2021-02-02_fair.rst

@@ -6,7 +6,7 @@
     :categories: fairness
 
     La recherche dans le domaine du machine learning éthique est
-    assez disparate. Je suis tombé sur cet article    
+    assez disparate. Je suis tombé sur cet article
     `An overview of some available Fairness Frameworks & Packages
     <https://www.linkedin.com/pulse/
     overview-some-available-fairness-frameworks-packages-murat-durmus/>`_

_doc/sphinxdoc/source/blog/2021/2021-03-21_pypolars.rst

@@ -9,5 +9,3 @@
     des dataframes, comme :epkg:`pandas`, à ceci près qu'elle
     propose également une interface *lazy* ou streaming.
     Elle est implémentée en :epkg:`Rust`.
-
-

_doc/sphinxdoc/source/i_getting_started.rst

@@ -46,7 +46,6 @@ Les traces d'installation ont été conservées dans cet article
 `2021-01-09 Install Python 3.9 and many packages on Linux Debian 10
 <http://www.xavierdupre.fr/app/pymyinstall/helpsphinx//blog/2021/2021-01-09_debian.html>`_.
 
-
 2018-2020
 +++++++++
 
@@ -100,15 +99,14 @@ Et Les plus utilisés sont de plus en plus disponibles sur
 `pypi <https://pypi.org/>`_. Pour les autres, il faut allez à
 `Unofficial Windows Binaries for Python Extension Packages
 <http://www.lfd.uci.edu/~gohlke/pythonlibs/>`_.
-Certains modules n'existent pas sous forme précompilée à 
+Certains modules n'existent pas sous forme précompilée à
 moins de le faire soi-même. Il faut qu'un compilateur
 soit installée sur la machine et sans doute d'autres
 dépendances. Il est possible aussi de suivre les instructions
 exécutées à chaque changement :
 `appveyor.yml
 <https://github.com/sdpython/ensae_teaching_cs/blob/master/appveyor.yml>`_.
 
-
 Linux en ligne de commande / MacOS
 ++++++++++++++++++++++++++++++++++
 
@@ -121,7 +119,7 @@ Vous pouvez aussi suivre les instructions utilisées à chaque
 changement `config.yml
 <https://github.com/sdpython/ensae_teaching_cs/blob/master/.circleci/config.yml>`_.
 
-Il existe des différences sur MacOs. Mais vous pouvez suivre 
+Il existe des différences sur MacOs. Mais vous pouvez suivre
 les instructions contenus dans ce fichier `azure-pipelines.yml
 <https://github.com/sdpython/mlprodict/blob/master/azure-pipelines.yml#L63>`_.
 
@@ -323,7 +321,7 @@ Les modules indispensables sont intégrés à la distribution
 
 *Visualisation*
 
-Voir `10 plotting libraries at PyData 06/14/2016 in Paris 
+Voir `10 plotting libraries at PyData 06/14/2016 in Paris
 <http://www.xavierdupre.fr/app/jupytalk/helpsphinx/2016/pydata2016.html>`_
 ou :ref:`l-visualisation`.
 
@@ -540,7 +538,7 @@ ou un prof fera l'affaire. Ensuite, des livres de mathématiques, des articles..
 * `Quelques astuces pour faire du machine learning <http://www.xavierdupre.fr/blog/2014-03-28_nojs.html>`_
 * `Python Tools for Machine Learning <http://www.cbinsights.com/blog/python-tools-machine-learning/>`_
 * `Python extensions to do machine learning <http://www.xavierdupre.fr/blog/2013-09-15_nojs.html>`_
-* `22 outils gratuits pour visualiser et analyser les données (1ère partie) 
+* `22 outils gratuits pour visualiser et analyser les données (1ère partie)
   <http://www.lemondeinformatique.fr/actualites/lire-22-outils-gratuits-pour-visualiser-et-analyser-les-donnees-1ere-partie-47241-page-3.html>`_
 * `Gradient Boosted Regression Trees <http://orbi.ulg.ac.be/bitstream/2268/163521/1/slides.pdf>`_
 * `A Reliable Effective Terascale Linear Learning System <http://arxiv.org/pdf/1110.4198v3.pdf>`_

_doc/sphinxdoc/source/ml2a/td2a_mlbasic_text_embedding.rst

@@ -39,4 +39,4 @@ méthodes les plus courantes. La section
   * `tokenizers <https://github.com/huggingface/tokenizers>`_
     (Provides an implementation of today's most used tokenizers,
     with a focus on performance and versatility.)
-* `pyglove <https://github.com/Lguyogiro/pyglove>`_
+* `pyglove <https://github.com/Lguyogiro/pyglove>`_

_doc/sphinxdoc/source/questions/route_3A_2020.rst

@@ -79,7 +79,6 @@ Séance 3
 Séance 4
 ^^^^^^^^
 
-
 Séance 5
 ^^^^^^^^
 
@@ -94,7 +93,7 @@ Parallelisation CPU
 Cython
 * `Presentation <https://cython.org/>`_
 * Compilateur (`Windows <https://visualstudio.microsoft.com/fr/vs/community/>`_ (VS),
-  `Linux <https://doc.ubuntu-fr.org/gcc>`_ (gcc), 
+  `Linux <https://doc.ubuntu-fr.org/gcc>`_ (gcc),
   `MacOs <https://developer.apple.com/xcode/>`_ (xcode))
 * `manylinux <https://www.python.org/dev/peps/pep-0513/>`_ sur pypi
 * `C et Cython <https://cython.readthedocs.io/en/latest/src/userguide/external_C_code.html>`_
@@ -126,11 +125,11 @@ Libraires pour aller plus vite sur CPU
 * `Torch <https://pytorch.org/docs/stable/torch.html>`_ = numpy + numba + pybind11
 
 Stratégies d'optimisation
-* Composer à partir de librairies implémentant des calculs standards (matriciel) 
-* Fusionner deux opérations en une seule (transposition + multiplication A B' -> 
-  `gemm <https://en.wikipedia.org/wiki/GEMM>`_), 
+* Composer à partir de librairies implémentant des calculs standards (matriciel)
+* Fusionner deux opérations en une seule (transposition + multiplication A B' ->
+  `gemm <https://en.wikipedia.org/wiki/GEMM>`_),
   `opt_einsum <https://github.com/dgasmith/opt_einsum>`_
-  = recomposition des calculs, nombre accru d'opérations, 
+  = recomposition des calculs, nombre accru d'opérations,
   `MLPRegressor <http://www.xavierdupre.fr/app/mlprodict/helpsphinx/
   skl_converters/visual-neural_network-004.html>`_
 * Implémentation spécifiques (graphes, arbres)
@@ -154,13 +153,12 @@ Demain
     * `Trends pytorch,tensorflow,numpy <https://trends.google.com/trends/explore?date=all&geo=US&q=pytorch,tensorflow,numpy>`_
     * `NVidia Stock <https://www.google.com/search?q=nvidia+stock&oq=nvidia+stock&aqs=chrome..69i57.2676j0j4&sourceid=chrome&ie=UTF-8>`_
     * `Intel Stock <https://www.google.com/search?ei=T6kGYIP3FInYaIbNvbAC&q=intel+stock&oq=intel+stock&gs_lcp=CgZwc3ktYWIQAzIFCAAQkQIyBggAEAcQHjIGCAAQBxAeMgIIADICCAAyAggAMgIIADICCAAyAggAMgIIADoECAAQR1DhY1jFZ2D5aGgAcAN4AIABVYgBlAOSAQE2mAEAoAEBqgEHZ3dzLXdpesgBCMABAQ&sclient=psy-ab&ved=0ahUKEwjD2tun2qfuAhUJLBoKHYZmDyYQ4dUDCA0&uact=5>`_
-    
+
 Liens `pytorch <https://pytorch.org/>`_:
 * `CUSTOM C++ AND CUDA EXTENSIONS <https://pytorch.org/tutorials/advanced/cpp_extension.html?highlight=thread>`_
 * `Convert Torch Tensor to flattened C++ array <https://discuss.pytorch.org/t/convert-torch-tensor-to-flattened-c-array/94341>`_
 * `TORCH.FROM_NUMPY <https://pytorch.org/docs/stable/generated/torch.from_numpy.html>`_
 
-
 **Notes en vrac**
 
 Mémoire --> L3 --> L2 --> L1 --> 256o de registres - CPU1, CPU2, CPU3, CPU4 calcul --> L1 --> L2 --> L3 Mémoire
@@ -173,7 +171,6 @@ Processus
 --> Traitement de texte --> 1 processus
 --> Python --> 1 processus
 --> Python --> 1 autre processus
-
 
 Serialisation
 Données --> d'une machine à une autre
@@ -201,15 +198,15 @@ Cython prérequis
     * Interpréteur python (3.7+)
     * Compilateur (gcc sur linux (clang), Visual Studio Windows (Community Edition), gcc MacOs
 
-Programme 
+Programme
     * 1 fichier python
     * 1 fichier cython --> cython le convertit en C ou C++ --> compilé (DLL, .pyd, .so)  --> prêt à l'emploi
 
 On veut paralléliser sous linux avec une librairie openmp sous Linux:
     * "Error: je ne trouve libomp" --> sudo apt-get install libomp (dépendance)
 
 Plus rapide:
-Matrice: 
+Matrice:
 Langage sécurisé
 	Liste = [1, 4, 5, 6]
 	Liste[3] = 4  --> remplace un élément
@@ -218,7 +215,7 @@ Langage sécurisé
 Interprétable = portable
     * Python interprète le code python --> fichier .pyc créé
     * Liste[3] = 4  --> appelle une fonction python qui modifie l'objet liste
-    * Le Code peut évoluer dynamiquement --> 
+    * Le Code peut évoluer dynamiquement -->
         * Les erreurs de syntaxe ne sont pas toujours découvertes avant l'exécution
 Mémoire
     * Jamais accès en python à la mémoire directement
@@ -250,15 +247,12 @@ Git --> va fusionner les deux pour avoir une unique avec dot1.pyx + dot2.pyx
 Intégration continue :
     * S'assurer qu'à chaque modification, aucun bug n'a été créé ailleurs que dans le code modifié
 
-
 Cython
     * Python setup.py build_ext --inplace
         * Convertit cython en C/C++
         * Compiler le code C/C++
         * Link --> .pyd (Windows) ou .so sous MacOs
 
-
 M3 est modifiée par deux threads en même temps mais pas au même endroit --> donc pas besoin de verrou
 
-
 A B C  -> (A B ) C ou A (B C)

_doc/sphinxdoc/source/td_3a.rst

@@ -124,7 +124,7 @@ proposent les processeurs CPU : le :epkg:`branching`.
 * `daal4py <https://intelpython.github.io/daal4py/>`_,
   réécriture d'algorithme de machine learning optimisée
   pour les processeurs Intel
-  
+
 *Outils*
 
 * `Introducing PyTorch Profiler - the new and improved performance tool

src/ensae_teaching_cs/automation/jenkins_helper.py

@@ -132,7 +132,8 @@ def default_jenkins_jobs(filter=None, neg_filter=None, root=None, platform=None)
                 raise TypeError("{0} - {1}".format(row, type(row)))
         return new_res
     else:
-        context = {'Python37': 'python3.7', 'Python38': 'python3.8', 'Python39': 'python3.9'}
+        context = {'Python37': 'python3.7',
+                   'Python38': 'python3.8', 'Python39': 'python3.9'}
         yml_data = load_yaml(pattern % '_automation', context=context)
         pyth = yml_data[0]['python']
         res = []