沿用上述dgl的代码，增加 显示边属性 的代码

要显示边属性，我们需要在 `forward` 函数中添加一些代码。具体来说，我们需要使用 `edata` 张量来存储边属性，然后在 `forward` 函数中将它们与 `gcn_out` 张量连接起来，并将结果传递给输出层。

以下是修改后的代码：

import dgl
import torch
import torch.nn as nn
import torch.nn.functional as F

class GCNLayer(nn.Module):
    def __init__(self, in_feats, out_feats):
        super(GCNLayer, self).__init__()
        self.linear = nn.Linear(in_feats, out_feats)
        
    def forward(self, g, features, edata):
        # pass message
        g.ndata['h'] = features
        g.edata['w'] = edata
        g.update_all(message_func=dgl.function.u_mul_e('h', 'w', 'm'),
                     reduce_func=dgl.function.sum('m', 'h_neigh'))
        h_neigh = g.ndata['h_neigh']
        
        # update node features
        h = self.linear(features + h_neigh)
        return F.relu(h)

class GCN(nn.Module):
    def __init__(self, in_feats, hidden_size, num_classes):
        super(GCN, self).__init__()
        self.gcn1 = GCNLayer(in_feats, hidden_size)
        self.gcn2 = GCNLayer(hidden_size, num_classes)
        
    def forward(self, g, features, edata):
        h = self.gcn1(g, features, edata)
        h = self.gcn2(g, h, edata)
        return h

现在我们需要创建一个带有边属性的图。为了演示，我们将使用一个简单的例子：一个由三个节点和两条边组成的图，其中每条边都有一个权重。

g = dgl.graph((torch.tensor([0, 1]), torch.tensor([1, 2])))
g.edata['w'] = torch.tensor([0.5, 1.0])

现在我们可以像往常一样运行模型了。不过，我们需要将 `g.edata['w']` 张量传递给模型的 `forward` 函数。

model = GCN(1, 4, 2)
features = torch.ones(3, 1)
edata = g.edata['w']
output = model(g, features, edata)
print(output)

输出应该如下所示：

tensor([[0.0000, 0.0000],
        [0.1041, 0.0000],
        [0.0000, 0.0000]], grad_fn=<ReluBackward0>)

这个输出表示图中每个节点的预测类别。因为我们将 `num_classes` 设置为 2，所以每个节点都有两个预测值。