Fix build warnings from publish.yml workflow

- jax_intro.md: Replace invalid jax:autodiff reference with hyperlink to https://jax.quantecon.org/autodiff.html
- need_for_speed.md: Remove figure references to non-existent images (geforce.png, dgx.png)
- about_py.md: Add missing 'tuple_unpacking_example' label before SciPy section
- python_essentials.md: Restore reference to tuple_unpacking_example (now that label exists)

Author: mmcky

lectures/about_py.md

@@ -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/jax_intro.md

@@ -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/need_for_speed.md

@@ -488,10 +488,6 @@ with qe.Timer():
 
 GPUها در ابتدا برای رندرینگ گرافیک طراحی شدند که نیاز به انجام همزمان یک عملیات روی بسیاری از پیکسل‌ها دارد.
 
-```{figure} /_static/lecture_specific/need_for_speed/geforce.png
-:scale: 40
-```
-
 دانشمندان و مهندسان متوجه شدند که همین معماری --- بسیاری از پردازنده‌های ساده که به صورت موازی کار می‌کنند --- برای وظایف محاسبات علمی ایده‌آل است.
 
 TPUها یک توسعه اخیرتر هستند که توسط گوگل به طور خاص برای بارهای کاری یادگیری ماشین طراحی شده‌اند.
@@ -529,11 +525,6 @@ TPUها یک توسعه اخیرتر هستند که توسط گوگل به طو
 
 برای مسائل در مقیاس بزرگتر، سرورهای حاوی GPUهای متعدد (اغلب 4-8 GPU در هر سرور) به طور فزاینده‌ای رایج هستند.
 
-```{figure} /_static/lecture_specific/need_for_speed/dgx.png
-: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.