g.update_all(message_func=fn.copy_u(‘h‘, ‘m‘), reduce_func=fn.mean(‘m‘, ‘h_N‘))

message_func=fn.copy_u(‘h’, ‘m’)是消息函数；reduce_func=fn.mean(‘m’, ‘h_N’))是聚合函数，聚合节点周围邻居节点的特征；update_all：触发更新。

import dgl
import dgl.function as fn
import torch
g = dgl.graph(([0, 1, 1, 3], [1, 2, 3, 2]))
g.ndata['x'] = torch.ones(4, 2)
g.update_all(fn.copy_u('x', 'm'), fn.mean('m', 'h'))
print(g.ndata['h'])
print(g)
g.update_all(fn.u_add_v('x', 'x', 'm'), fn.sum('m', 'h'))
print(g.ndata['h'])

消息函数：

消息函数接受一个参数 edges，这是一个 dgl.EdgeBatch 的实例， 在消息传递时，它被DGL在内部生成以表示一批边。edges有三个成员属性：src、dst和data，分别用于访问源节点、目标节点和边的特征。
在使用dgl定义的message passing函数时，经常使用如dgl.function.copy_u、dgl.function.copy_src和dgl.function.copy_e函数。这些函数的底层一般是用edges.src/edges.dst/edges.data实现。

copu_u

copy源节点的x特征到m，然后对m取均值得到节点特征h，由于这个图是0->1，1->2, 1->3, 3->2，因此0节点是没有消息传过来的。
copy_u将源节点的特征传递给邻居节点，并保存在’m’中

# Builtin message function that computes message 
# using source node feature.

import dgl
message_func = dgl.function.copy_u('h', 'm')

# 这两个函数是等价的，访问源节点特征，并且存到m中
def message_func(edges):
    return {'m': edges.src['h']}  # 访问边对应的源节点特征
   

栗子：

g.update_all(fn.copy_u('x', 'm'), fn.mean('m', 'h'))
print(g.ndata['h'])

tensor([
[0., 0.],
[1., 1.],
[1., 1.],
[1., 1.]])

u_add_v

u_add_v是将源节点和目标节点的x特征相加得到m，然后对所有m求和得到h，同样0节点没有消息传来。

g.update_all(fn.u_add_v('x', 'x', 'm'), fn.sum('m', 'h'))
print(g.ndata['h'])

tensor([
[0., 0.],
[2., 2.],
[4., 4.],
[2., 2.]])