语法格式

dgl.function.u_mul_e代替了dgl.function.src_mul_edge

dgl.function.u_mul_e(lhs_field, rhs_field, out)

一个用于计算消息传递的内置函数，它通过对源节点（u）和边（e）的特征执行逐元素（element-wise）乘法操作来生成消息。如果源节点和边的特征形状相同，则直接进行逐元素乘法；如果形状不同，它会先广播特征到新的形状，然后再进行逐元素操作。(广播和NumPy规则一致)

参数说明：

• lhs_field (str)：源节点 u 的特征字段名称。
• rhs_field (str)：边 e 的特征字段名称。
• out (str)：输出消息字段的名称。

例子

图结构如下：

import dgl
import torch
import dgl.function as fn# 创建图，节点和边
g = dgl.graph(([0, 1, 2], [1, 2, 0]))# 给边设置特征 'e_feat'，确保它是浮动类型
g.edata['e_feat'] = torch.tensor([2000, 3000, 4000], dtype=torch.float32)# 给节点设置特征 'n_feat'，确保它是浮动类型
g.ndata['n_feat'] = torch.tensor([20, 21, 22], dtype=torch.float32)# 使用 dgl.function.u_mul_e 计算消息（逐元素乘法）
g.apply_edges(fn.u_mul_e('n_feat', 'e_feat', 'msg'))# 查看计算出来的消息
print("消息（msg）:")
print(g.edata['msg'])# 定义消息聚合函数：对消息求和
def reduce_sum(nodes):# torch.sum目的是将数据转成列表格式return {'n_feat': torch.sum(nodes.mailbox['msg'], dim=1)}# 使用 send_and_recv 发送消息，并在目标节点聚合
g.send_and_recv(g.edges(), fn.u_mul_e('n_feat', 'e_feat', 'msg'), reduce_sum)# 查看目标节点的特征（经过消息聚合更新后的节点特征）
print("目标节点更新后的特征（n_feat）:")
print(g.ndata['n_feat'])

代码详解：

• 使用 dgl.function.u_mul_e 计算消息，在每条边上，使用 u_mul_e 函数计算消息，消息是节点特征和边特征的逐元素乘积。‘n_feat’ 是节点特征字段，‘e_feat’ 是边特征字段，计算结果存储在 msg 字段中，这表示每条边上生成的消息是：

  • 节点0和边1的消息：20 * 2000 = 40000
  • 节点1和边2的消息：21 * 3000 = 63000
  • 节点2和边0的消息：22 * 4000 = 88000

• reduce_sum 是一个聚合函数，将每个节点收到的消息赋值给节点特征 ‘n_feat’。

  • 节点0 接收到的消息是来自边 (2, 0) 的消息 88000，所以节点0的聚合结果是：88000。
  • 节点1 接收到的消息是来自边 (0, 1) 的消息 40000，所以节点1的聚合结果是：40000。
  • 节点2 接收到的消息是来自边 (1, 2) 的消息 63000，所以节点2的聚合结果是：63000。

• send_and_recv函数发送和接收消息，每个节点的特征通过其入边上的消息来更新。

  • 节点0的更新值是来自边 (2, 0) 的消息 88000。
  • 节点1的更新值是来自边 (0, 1) 的消息 40000。
  • 节点2的更新值是来自边 (1, 2) 的消息 63000。

最终代码执行结果如下：