图神经网络：排列不变函数

图神经网络（Graph Neural Networks，简称GNN）是一种用于处理图数据的机器学习模型。GNN的出现使得我们可以有效地对图结构数据进行建模和分析。在图神经网络中，排列不变函数（Permutation Invariant Function）是一种重要的概念，它允许我们对图中的节点进行无序处理，从而提取出图的整体特征。

排列不变函数是指当输入的元素顺序发生改变时，函数的输出结果保持不变。在图神经网络中，排列不变函数的应用非常重要，因为图中的节点没有固定的顺序。下面我将详细介绍排列不变函数在图神经网络中的应用，并提供相应的源代码示例。

在图神经网络中，排列不变函数通常用于聚合节点的特征。常见的排列不变函数包括求和函数、最大值函数和平均值函数等。这些函数可以将节点的特征进行汇总，得到整个图的特征表示。

以下是一个简单的示例，演示如何使用排列不变函数对图中节点进行聚合：

import torch
import torch.nn as nn
import torc