titlke for notebooks

12 files changed, 59 insertions, 58 deletions

diff --git a/examples/plot_OT_1D.py b/examples/plot_OT_1D.py
index b6ffa5f..719058f 100644
--- a/examples/plot_OT_1D.py
+++ b/examples/plot_OT_1D.py
@@ -20,7 +20,7 @@ from ot.datasets import get_1D_gauss as gauss
 
 ##############################################################################
 # Generate data
-# #############
+# -------------
 
 
 #%% parameters
@@ -41,7 +41,7 @@ M /= M.max()
 
 ##############################################################################
 # Plot distributions and loss matrix
-###################################
+# ----------------------------------
 
 #%% plot the distributions
 
@@ -57,7 +57,8 @@ ot.plot.plot1D_mat(a, b, M, 'Cost matrix M')
 
 ##############################################################################
 # Solve EMD
-##############################################################################
+# ---------
+
 
 #%% EMD
 
@@ -68,7 +69,8 @@ ot.plot.plot1D_mat(a, b, G0, 'OT matrix G0')
 
 ##############################################################################
 # Solve Sinkhorn
-##############################################################################
+# --------------
+
 
 #%% Sinkhorn
 
diff --git a/examples/plot_OT_2D_samples.py b/examples/plot_OT_2D_samples.py
index f57d631..9818ec5 100644
--- a/examples/plot_OT_2D_samples.py
+++ b/examples/plot_OT_2D_samples.py
@@ -19,7 +19,7 @@ import ot
 
 ##############################################################################
 # Generate data
-##############################################################################
+# -------------
 
 #%% parameters and data generation
 
@@ -42,7 +42,7 @@ M /= M.max()
 
 ##############################################################################
 # Plot data
-##############################################################################
+# ---------
 
 #%% plot samples
 
@@ -58,7 +58,7 @@ pl.title('Cost matrix M')
 
 ##############################################################################
 # Compute EMD
-##############################################################################
+# -----------
 
 #%% EMD
 
@@ -78,7 +78,7 @@ pl.title('OT matrix with samples')
 
 ##############################################################################
 # Compute Sinkhorn
-##############################################################################
+# ----------------
 
 #%% sinkhorn
 
diff --git a/examples/plot_OT_L1_vs_L2.py b/examples/plot_OT_L1_vs_L2.py
index 49d37e1..090e809 100644
--- a/examples/plot_OT_L1_vs_L2.py
+++ b/examples/plot_OT_L1_vs_L2.py
@@ -22,7 +22,7 @@ import ot
 
 ##############################################################################
 # Dataset 1 : uniform sampling
-##############################################################################
+# ----------------------------
 
 n = 20  # nb samples
 xs = np.zeros((n, 2))
@@ -73,7 +73,7 @@ pl.tight_layout()
 
 ##############################################################################
 # Dataset 1 : Plot OT Matrices
-##############################################################################
+# ----------------------------
 
 
 #%% EMD
@@ -114,7 +114,7 @@ pl.show()
 
 ##############################################################################
 # Dataset 2 : Partial circle
-##############################################################################
+# --------------------------
 
 n = 50  # nb samples
 xtot = np.zeros((n + 1, 2))
@@ -168,7 +168,7 @@ pl.tight_layout()
 
 ##############################################################################
 # Dataset 2 : Plot  OT Matrices
-##############################################################################
+# -----------------------------
 
 
 #%% EMD
diff --git a/examples/plot_WDA.py b/examples/plot_WDA.py
index 5928621..93cc237 100644
--- a/examples/plot_WDA.py
+++ b/examples/plot_WDA.py
@@ -24,7 +24,7 @@ from ot.dr import wda, fda
 
 ##############################################################################
 # Generate data
-##############################################################################
+# -------------
 
 #%% parameters
 
@@ -51,7 +51,7 @@ xt = np.hstack((xt, np.random.randn(n, nbnoise)))
 
 ##############################################################################
 # Plot data
-##############################################################################
+# ---------
 
 #%% plot samples
 pl.figure(1, figsize=(6.4, 3.5))
@@ -69,7 +69,7 @@ pl.tight_layout()
 
 ##############################################################################
 # Compute Fisher Discriminant Analysis
-##############################################################################
+# ------------------------------------
 
 #%% Compute FDA
 p = 2
@@ -78,7 +78,7 @@ Pfda, projfda = fda(xs, ys, p)
 
 ##############################################################################
 # Compute Wasserstein Discriminant Analysis
-##############################################################################
+# -----------------------------------------
 
 #%% Compute WDA
 p = 2
@@ -91,7 +91,7 @@ Pwda, projwda = wda(xs, ys, p, reg, k, maxiter=maxiter)
 
 ##############################################################################
 # Plot 2D projections
-##############################################################################
+# -------------------
 
 #%% plot samples
 
diff --git a/examples/plot_barycenter_1D.py b/examples/plot_barycenter_1D.py
index eef8536..620936b 100644
--- a/examples/plot_barycenter_1D.py
+++ b/examples/plot_barycenter_1D.py
@@ -27,7 +27,7 @@ from matplotlib.collections import PolyCollection
 
 ##############################################################################
 # Generate data
-##############################################################################
+# -------------
 
 #%% parameters
 
@@ -50,7 +50,7 @@ M /= M.max()
 
 ##############################################################################
 # Plot data
-##############################################################################
+# ---------
 
 #%% plot the distributions
 
@@ -62,7 +62,7 @@ pl.tight_layout()
 
 ##############################################################################
 # Barycenter computation
-##############################################################################
+# ----------------------
 
 #%% barycenter computation
 
@@ -92,7 +92,7 @@ pl.tight_layout()
 
 ##############################################################################
 # Barycentric interpolation
-##############################################################################
+# -------------------------
 
 #%% barycenter interpolation
 
diff --git a/examples/plot_compute_emd.py b/examples/plot_compute_emd.py
index a84b249..73b42c3 100644
--- a/examples/plot_compute_emd.py
+++ b/examples/plot_compute_emd.py
@@ -22,7 +22,7 @@ from ot.datasets import get_1D_gauss as gauss
 
 ##############################################################################
 # Generate data
-##############################################################################
+# -------------
 
 #%% parameters
 
@@ -51,7 +51,7 @@ M2 /= M2.max()
 
 ##############################################################################
 # Plot data
-##############################################################################
+# ---------
 
 #%% plot the distributions
 
@@ -67,7 +67,7 @@ pl.tight_layout()
 
 ##############################################################################
 # Compute EMD for the different losses
-##############################################################################
+# ------------------------------------
 
 #%% Compute and plot distributions and loss matrix
 
@@ -83,7 +83,7 @@ pl.legend()
 
 ##############################################################################
 # Compute Sinkhorn for the different losses
-##############################################################################
+# -----------------------------------------
 
 #%%
 reg = 1e-2
diff --git a/examples/plot_optim_OTreg.py b/examples/plot_optim_OTreg.py
index d753414..e1a737e 100644
--- a/examples/plot_optim_OTreg.py
+++ b/examples/plot_optim_OTreg.py
@@ -32,7 +32,7 @@ import ot
 
 ##############################################################################
 # Generate data
-##############################################################################
+# -------------
 
 #%% parameters
 
@@ -51,7 +51,7 @@ M /= M.max()
 
 ##############################################################################
 # Solve EMD
-##############################################################################
+# ---------
 
 #%% EMD
 
@@ -62,7 +62,7 @@ ot.plot.plot1D_mat(a, b, G0, 'OT matrix G0')
 
 ##############################################################################
 # Solve EMD with Frobenius norm regularization
-##############################################################################
+# --------------------------------------------
 
 #%% Example with Frobenius norm regularization
 
@@ -84,7 +84,7 @@ ot.plot.plot1D_mat(a, b, Gl2, 'OT matrix Frob. reg')
 
 ##############################################################################
 # Solve EMD with entropic regularization
-##############################################################################
+# --------------------------------------
 
 #%% Example with entropic regularization
 
@@ -106,7 +106,7 @@ ot.plot.plot1D_mat(a, b, Ge, 'OT matrix Entrop. reg')
 
 ##############################################################################
 # Solve EMD with Frobenius norm + entropic regularization
-##############################################################################
+# -------------------------------------------------------
 
 #%% Example with Frobenius norm + entropic regularization with gcg
 
diff --git a/examples/plot_otda_classes.py b/examples/plot_otda_classes.py
index ec57a37..b14c11a 100644
--- a/examples/plot_otda_classes.py
+++ b/examples/plot_otda_classes.py
@@ -19,8 +19,8 @@ import ot
 
 
 ##############################################################################
-# generate data
-##############################################################################
+# Generate data
+# -------------
 
 n_source_samples = 150
 n_target_samples = 150
@@ -31,7 +31,7 @@ Xt, yt = ot.datasets.get_data_classif('3gauss2', n_target_samples)
 
 ##############################################################################
 # Instantiate the different transport algorithms and fit them
-##############################################################################
+# -----------------------------------------------------------
 
 # EMD Transport
 ot_emd = ot.da.EMDTransport()
@@ -59,7 +59,7 @@ transp_Xs_l1l2 = ot_l1l2.transform(Xs=Xs)
 
 ##############################################################################
 # Fig 1 : plots source and target samples
-##############################################################################
+# ---------------------------------------
 
 pl.figure(1, figsize=(10, 5))
 pl.subplot(1, 2, 1)
@@ -80,7 +80,7 @@ pl.tight_layout()
 
 ##############################################################################
 # Fig 2 : plot optimal couplings and transported samples
-##############################################################################
+# ------------------------------------------------------
 
 param_img = {'interpolation': 'nearest', 'cmap': 'spectral'}
 
diff --git a/examples/plot_otda_color_images.py b/examples/plot_otda_color_images.py
index f1df9d9..e77aec0 100644
--- a/examples/plot_otda_color_images.py
+++ b/examples/plot_otda_color_images.py
@@ -42,7 +42,7 @@ def minmax(I):
 
 ##############################################################################
 # Generate data
-##############################################################################
+# -------------
 
 # Loading images
 I1 = ndimage.imread('../data/ocean_day.jpg').astype(np.float64) / 256
@@ -62,7 +62,7 @@ Xt = X2[idx2, :]
 
 ##############################################################################
 # Plot original image
-##############################################################################
+# -------------------
 
 pl.figure(1, figsize=(6.4, 3))
 
@@ -79,7 +79,7 @@ pl.title('Image 2')
 
 ##############################################################################
 # Scatter plot of colors
-##############################################################################
+# ----------------------
 
 pl.figure(2, figsize=(6.4, 3))
 
@@ -101,7 +101,7 @@ pl.tight_layout()
 
 ##############################################################################
 # Instantiate the different transport algorithms and fit them
-##############################################################################
+# -----------------------------------------------------------
 
 # EMDTransport
 ot_emd = ot.da.EMDTransport()
@@ -127,7 +127,7 @@ I2te = minmax(mat2im(transp_Xt_sinkhorn, I2.shape))
 
 ##############################################################################
 # Plot new images
-##############################################################################
+# ---------------
 
 pl.figure(3, figsize=(8, 4))
 
diff --git a/examples/plot_otda_d2.py b/examples/plot_otda_d2.py
index 3daa0a6..e53d7d6 100644
--- a/examples/plot_otda_d2.py
+++ b/examples/plot_otda_d2.py
@@ -1,8 +1,8 @@
 # -*- coding: utf-8 -*-
 """
-==============================
-OT for empirical distributions
-==============================
+===================================================
+OT for domain adaptation on empirical distributions
+===================================================
 
 This example introduces a domain adaptation in a 2D setting. It explicits
 the problem of domain adaptation and introduces some optimal transport
@@ -24,7 +24,7 @@ import ot
 
 ##############################################################################
 # generate data
-##############################################################################
+# -------------
 
 n_samples_source = 150
 n_samples_target = 150
@@ -38,7 +38,7 @@ M = ot.dist(Xs, Xt, metric='sqeuclidean')
 
 ##############################################################################
 # Instantiate the different transport algorithms and fit them
-##############################################################################
+# -----------------------------------------------------------
 
 # EMD Transport
 ot_emd = ot.da.EMDTransport()
@@ -60,7 +60,7 @@ transp_Xs_lpl1 = ot_lpl1.transform(Xs=Xs)
 
 ##############################################################################
 # Fig 1 : plots source and target samples + matrix of pairwise distance
-##############################################################################
+# ---------------------------------------------------------------------
 
 pl.figure(1, figsize=(10, 10))
 pl.subplot(2, 2, 1)
@@ -87,8 +87,7 @@ pl.tight_layout()
 
 ##############################################################################
 # Fig 2 : plots optimal couplings for the different methods
-##############################################################################
-
+# ---------------------------------------------------------
 pl.figure(2, figsize=(10, 6))
 
 pl.subplot(2, 3, 1)
@@ -137,7 +136,7 @@ pl.tight_layout()
 
 ##############################################################################
 # Fig 3 : plot transported samples
-##############################################################################
+# --------------------------------
 
 # display transported samples
 pl.figure(4, figsize=(10, 4))
diff --git a/examples/plot_otda_mapping.py b/examples/plot_otda_mapping.py
index e78fef4..167c3a1 100644
--- a/examples/plot_otda_mapping.py
+++ b/examples/plot_otda_mapping.py
@@ -25,7 +25,7 @@ import ot
 
 ##############################################################################
 # Generate data
-##############################################################################
+# -------------
 
 n_source_samples = 100
 n_target_samples = 100
@@ -45,7 +45,7 @@ Xt = Xt + 4
 
 ##############################################################################
 # Plot data
-##############################################################################
+# ---------
 
 pl.figure(1, (10, 5))
 pl.clf()
@@ -57,7 +57,7 @@ pl.title('Source and target distributions')
 
 ##############################################################################
 # Instantiate the different transport algorithms and fit them
-##############################################################################
+# -----------------------------------------------------------
 
 # MappingTransport with linear kernel
 ot_mapping_linear = ot.da.MappingTransport(
@@ -88,7 +88,7 @@ transp_Xs_gaussian_new = ot_mapping_gaussian.transform(Xs=Xs_new)
 
 ##############################################################################
 # Plot transported samples
-##############################################################################
+# ------------------------
 
 pl.figure(2)
 pl.clf()
diff --git a/examples/plot_otda_mapping_colors_images.py b/examples/plot_otda_mapping_colors_images.py
index 5590286..5f1e844 100644
--- a/examples/plot_otda_mapping_colors_images.py
+++ b/examples/plot_otda_mapping_colors_images.py
@@ -45,7 +45,7 @@ def minmax(I):
 
 ##############################################################################
 # Generate data
-##############################################################################
+# -------------
 
 # Loading images
 I1 = ndimage.imread('../data/ocean_day.jpg').astype(np.float64) / 256
@@ -66,7 +66,7 @@ Xt = X2[idx2, :]
 
 ##############################################################################
 # Domain adaptation for pixel distribution transfer
-##############################################################################
+# -------------------------------------------------
 
 # EMDTransport
 ot_emd = ot.da.EMDTransport()
@@ -97,7 +97,7 @@ Image_mapping_gaussian = minmax(mat2im(X1tn, I1.shape))
 
 ##############################################################################
 # Plot original images
-##############################################################################
+# --------------------
 
 pl.figure(1, figsize=(6.4, 3))
 pl.subplot(1, 2, 1)
@@ -114,7 +114,7 @@ pl.tight_layout()
 
 ##############################################################################
 # Plot pixel values distribution
-##############################################################################
+# ------------------------------
 
 pl.figure(2, figsize=(6.4, 5))
 
@@ -136,7 +136,7 @@ pl.tight_layout()
 
 ##############################################################################
 # Plot transformed images
-##############################################################################
+# -----------------------
 
 pl.figure(2, figsize=(10, 5))