用dgl.scatter_add和torch_scatter import scatter 运行同一组数据

dgl.scatter_add和torch_scatter的作用都是在张量的某个维度上对指定的索引进行聚合操作，但是它们的实现方式略有不同。

dgl.scatter_add是Deep Graph Library（DGL）中提供的函数，用于在图上对节点特征进行聚合。它的具体使用方式如下：

import dgl
import torch

# 构造一个包含3个节点的图
g = dgl.graph(([0, 1, 2], [1, 2, 0]))

# 构造一个3x4的特征矩阵
feat = torch.tensor([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])

# 定义聚合的方式为相加
def reducer(nodes):
    return {'sum': torch.sum(nodes.mailbox['m'], dim=1)}

# 对节点的特征进行聚合，聚合方式为相加
g.update_all(dgl.function.copy_src('feat', 'm'), dgl.function.sum('m', 'feat'))
feat = g.ndata['feat']

# 使用scatter_add对特征进行聚合
idx = torch.tensor([0, 1, 2, 0])
val = torch.tensor([1, 2, 3, 4])
feat = torch.zeros(3, 5)
feat.scatter_add_(1, idx.unsqueeze(1).repeat(1, 4), val.unsqueeze(1).repeat(1, 4))

其中，scatter_add_函数的第一个参数表示要聚合的维度，这里是第1维，即按行进行聚合。第二个参数是一个形状为(N, M)的张量，表示要聚合的索引，这里是idx.unsqueeze(1).repeat(1, 4)，即将idx扩展为形状为(N, M)，其中M为feat的第1维大小。第三个参数是一个形状为(N, M)的张量，表示要聚合的值，这里是val.unsqueeze(1).repeat(1, 4)，即将val扩展为形状为(N, M)。

torch_scatter中的scatter函数使用方式也类似，具体使用方式如下：

import torch
from torch_scatter import scatter

idx = torch.tensor([0, 1, 2, 0])
val = torch.tensor([1, 2, 3, 4])
feat = torch.zeros(3, 5)
feat = scatter(val.unsqueeze(1).repeat(1, 4), idx.unsqueeze(1).repeat(1, 4), dim=1, out=feat, reduce='add')

其中，scatter函数的第一个参数表示要聚合的值，第二个参数表示要聚合的索引，第三个参数表示要聚合的维度，这里是第1维，即按行进行聚合。第四个参数表示输出的张量，这里是feat，最后一个参数表示聚合方式，这里是相加。