Fix build warnings from publish.yml workflow (#56)

- jax_intro.md: Replace invalid jax:autodiff reference with hyperlink to https://jax.quantecon.org/autodiff.html
- need_for_speed.md: Add missing GPU images (geforce.png, dgx.png) and restore figure blocks
- about_py.md: Add missing 'tuple_unpacking_example' label before SciPy section
- python_essentials.md: Reference now works since label exists in about_py.md

Author: mmcky

lectures/_static/lecture_specific/need_for_speed/dgx.png

@@ -263,6 +263,7 @@ b @ c
 
 درحالیکه هنوز سلطان پردازش آرایه ها در پایتون NumPy است، اما اکنون رقبای جدیدی نیز دارد؛ کتابخانه هایی مانند [CuPy](https://cupy.dev/)، [Pytorch](https://pytorch.org/)، [JAX](https://github.com/google/jax) نیز انواع آرایه ها و عملیات آرایه ای را تعبیه کرده اند و می توانند بسیار سریع و کارآمد باشند. همانطور که بعدا در این مجموعه توضیح خواهیم داد؛ در واقع این کتابخانه ها در استفاده از پردازش موازی و سخت افزار سریع، بهتر هستند. با این حال، شما هنوز هم باید ابتدا NumPy را یاد بگیرید، زیرا؛ ساده تر است و یک پایه ی قوی را فراهم می کند، به طور مستقیم عملکرد کتابخانه هایی مانند JAX را گسترش می دهد و از اینرو وقتی NumPy را می شناسید، یادگیری آن را نیز آسان تر می کند.
 
+(tuple_unpacking_example)=
 ### SciPy
 
 کتابخانه [SciPy](http://www.scipy.org) بر روی NumPy ساخته شده است و قابلیت های اضافی را ارائه می دهد.

lectures/_static/lecture_specific/need_for_speed/geforce.png

@@ -775,7 +775,7 @@ ax.legend(loc='upper center')
 plt.show()
 ```
 
-ما بررسی بیشتر تمایز خودکار با JAX را تا {doc}`jax:autodiff` به تعویق می‌اندازیم.
+ما بررسی بیشتر تمایز خودکار با JAX را در [ماجراجویی‌ها با تمایز خودکار](https://jax.quantecon.org/autodiff.html) موکول می‌کنیم.
 
 
 ## تمرین‌ها

lectures/about_py.md

@@ -533,7 +533,6 @@ TPUها یک توسعه اخیرتر هستند که توسط گوگل به طو
 :scale: 40
 ```
 
-
 با نرم‌افزار مناسب، محاسبات می‌توانند در چندین GPU، یا در یک سرور واحد یا در چندین سرور، توزیع شوند.
 
 این محققان را قادر می‌سازد مسائلی را که بر روی یک GPU یا CPU تکی غیرعملی هستند، مورد بررسی قرار دهند.