Update intro-graphml-cn.md

intro-graphml-cn.md

@@ -99,10 +99,10 @@
 
 它应该：
 - 满足置换不变性：
-  - 等式：$ \\(f(P(G))=f(G)\\) $，这里 f 是神经网络，P 是置换函数，G 是图。
+  - 等式： \\(f(P(G))=f(G)\\) ，这里 f 是神经网络，P 是置换函数，G 是图。
   - 解释：置换后的图和原图经过同样的神经网络后，其表示应该是相同的。
 - 满足置换等价性
-  - 公式：$ \\(P(f(G))=f(P(G))\\) $，同样 f 是神经网络，P 是置换函数，G 是图。
+  - 公式： \\(P(f(G))=f(P(G))\\) ，同样 f 是神经网络，P 是置换函数，G 是图。
   - 解释：先置换图再传给神经网络和对神经网络的输出图表示进行置换是等价的。
 
 典型的神经网络，如循环神经网络（RNN）或卷积神经网络（CNN）并不是置换不变的。因此，[图神经网络（Graph Neural Network, GNN）](https://ieeexplore.ieee.org/abstract/document/1517930) 作为新的架构被引入来解决这一问题（最初是作为状态机使用）。