文章

AGI将成为我们生活中不可或缺的一部分，让我们共同期待并努力实现这一目标。

随着机器学习和深度学习的飞速发展，人工智能（AI）正取得飞跃性进展。然而，越来越多的研究者一致认为，AI 演进的下一个阶段在于开发混合机器学习系统。这篇博客文章将探讨这个新兴领域，讨论它的潜力、挑战以及对 AI 未来的影响。

Stable Diffusion WebUI 最有意思的地方不是在安装好之后生成图像，而是各种各样的模型。 提前警告：如果你的硬盘空间不够大的话，还是不要随便玩模型了，随随便便就是好几 G，又得甚至于 10 多个 G。

说实话，我找了好多关于如何在 M1/M2 上安装和运行 Stable Diffusion 的教程和帖子，发现相互之间借鉴的不少，但是能用的确实没几个。 寻找一番后，发现其实没那么复杂。也不知道为什么网上的那么多教程搞得那么复杂，又是这个又是那个的一大堆，简单实现的方式有好几种：

研究这个问题, 也属于是撞上了!

本文环境搭建的基础是 Python3.9， 因为 M1 为 ARM 架构，所以放弃了 Anaconda，使用 Miniforge3。包括 Tensorflow, xgboost, Lightgbm, Numpy, Pandas, Matplotlib, NGBoost 等。当然，因为是 Python3.9， 所以有些库实在是无法使用。

引入依赖和数据

最好的学习就是输出,所以虽然这个预测很多人做过了,我还是在这里再做一遍,纯粹是为了自己学习.

先引入数据,准备进行分析

首先需要了解元素周期表以及元素数据: 维基百科的元素周期表词条 元素数据