2. update README.md.
3. update preimage module, class Dataset.
4. update requirements.
5. add helper function to compute Gram matrix for each class.

2. add helper function generate_median_preimage_by_class in gklearn.preimage.utils.

2. update datasets.

2. save gram matrices and relative data when using function cross_validation_pre_computed, before cross validation step, in case that something goes wrong with CV. Parameter read_gm_from_file can be used to choose whether to read gram matrices from file.
3. add some test code to check if a gram matrix is symmetric and positive semi-definite.

2. modify model_selection_precomputed so that all results are written into memory and then to a file at last section of code, in case that on cpu/disk seperated systems the IO takes too much time.
3. correct utils.floyd_warshall_numpy function. DONNOT use the last version.

MOD modify tree pattern kernel, remove tottering.
MOD save output in function model_selection_precpmputed.

modifié :         notebooks/run_treepatternkernel.ipynb
	modifié :         notebooks/run_untilnwalkkernel.ipynb

modifié :         notebooks/run_cyclicpatternkernel.ipynb
	modifié :         notebooks/run_marginalizedkernel_acyclic.ipynb
	modifié :         notebooks/run_pathkernel_acyclic.ipynb
	modifié :         notebooks/run_spkernel_acyclic.ipynb
	modifié :         notebooks/run_treeletkernel_acyclic.ipynb
	modifié :         notebooks/run_treepatternkernel.ipynb
	modifié :         notebooks/run_untildpathkernel_acyclic.ipynb
	nouveau fichier : notebooks/run_untilnwalkkernel.ipynb
	modifié :         notebooks/run_weisfeilerLehmankernel_acyclic.ipynb
	modifié :         pygraph/kernels/treePatternKernel.py
	modifié :         pygraph/kernels/untildPathKernel.py
	nouveau fichier : pygraph/kernels/untilnWalkKernel.py
	nouveau fichier : pygraph/utils/model_selection_precomputed.py
	modifié :         pygraph/utils/utils.py

modifié :         README.md
	nouveau fichier : notebooks/run_cyclicpatternkernel.ipynb
	modifié :         notebooks/run_marginalizedkernel_acyclic.ipynb
	modifié :         notebooks/run_pathkernel_acyclic.ipynb
	modifié :         notebooks/run_spkernel_acyclic.ipynb
	modifié :         notebooks/run_treeletkernel_acyclic.ipynb
	nouveau fichier : notebooks/run_treepatternkernel.ipynb
	modifié :         notebooks/run_weisfeilerLehmankernel_acyclic.ipynb
	nouveau fichier : pygraph/kernels/cyclicPatternKernel.py
	modifié :         pygraph/kernels/deltaKernel.py
	modifié :         pygraph/kernels/pathKernel.py
	modifié :         pygraph/kernels/results.md
	modifié :         pygraph/kernels/spKernel.py
	nouveau fichier : pygraph/kernels/treePatternKernel.py
	modifié :         pygraph/kernels/treeletKernel.py
	modifié :         pygraph/kernels/untildPathKernel.py
	modifié :         pygraph/kernels/weisfeilerLehmanKernel.py
	modifié :         pygraph/utils/graphfiles.py
	modifié :         pygraph/utils/utils.py
	nouveau fichier : run_cyclic.py

* MOD treelet kernel, retrieve canonkeys of all graphs before calculate kernels, wildly speed it up.

* MOD the way to calculate WL subtree kernel, correct its results. - linlin
* ADD *kernel_train_test* and *split_train_test* to wrap training and testing process. - linlin
* MOD readme.md file, add detailed results of each kernel. - linlin

* MOD floydTransformation function, calculate shortest paths taking into consideration user-defined edge weight. - linlin
* MOD implementation of nodes and edges attributes genericity for all kernels. - linlin
* ADD detailed results file results.md. - linlin
* MOD Weisfeiler-Lehman subtree kernel and the test code. - linlin

* ADD delta kernel. - linlin
* MOD reconstruction the code of marginalized kernel. - linlin