图神经网络通用框架 —— MPNN消息传递神经网络

图神经网络（Graph Neural Networks，简称GNN）是一种专门用于处理图数据的机器学习模型。而MPNN（Message Passing Neural Network，中文翻译为消息传递神经网络）是一种常用的图神经网络框架，它通过传递消息来更新节点的特征表示。本文将介绍MPNN框架的基本原理，并给出相应的源代码实现。

1. MPNN框架概述
   MPNN是一种基于消息传递的图神经网络框架，其核心思想是通过在图上传递消息来更新节点的特征表示。MPNN框架由两个主要的步骤组成：消息传递和节点更新。

2. 消息传递
   在消息传递过程中，MPNN框架会考虑每个节点与其邻居节点之间的交互。首先，对于每个节点v，会从其邻居节点u中提取信息，并构造一个消息m_uv。这个消息可以根据节点v和u的特征进行计算。然后，将所有从节点u传递来的消息m_uv进行聚合，得到节点v的聚合消息a_v。聚合方式可以是求和、平均或者其他形式的加权聚合。

3. 节点更新
   在节点更新过程中，MPNN框架会根据节点自身的特征和聚合消息来更新节点的表示。首先，将节点v的特征表示和聚合消息a_v进行拼接或相加，得到一个新的特征表示b_v。然后，可以通过一个神经网络模块（如全连接层）对新的特征表示进行处理，得到节点v的更新后的特征表示c_v。

4. 源代码实现
   下面给出一个简单的源代码示例，以帮助理解MPNN框架的实现方式。此代码示例使用PyTorch框架。

import torch