【REST API】操作屏幕类[Inputs]-发送事件

本文介绍了一种通过HTTP POST请求向设备发送手机按键事件的方法,包括home、menu、back等按键的按下、弹起事件,以及直接发送点击事件的实现。支持多设备操作,详细展示了请求参数、示例及返回结果。

描述:

发送一个手机按键事件,如 home、menu、back 等,可以实现按键的按下、弹起事件,或者直接发送点击事件(按下+ 弹起)完成点击动作。

对应JS API:


var device = Device.getMain();
device.send( <code>, <state>)

是否支持多设备:

支持

请求方式:

POST
http://IP:8090/TotalControl/v1/devices/:device/screen/inputs

参数:

参数名类型必选描述
tokenstringYTotal Control TOKEN
:devicestringY主控设备对象值 id
codestringY键码值 
-menu
-home
-back
-space
-backspace
-enter
-up
-power
-recentapp
-down
-left
-right
-up
statestringN状态值(缺省press)
-down 按下
-up 弹起
-move 移动
-press 点击(按下+弹起)

请求示例:


示例一:
http://127.0.0.1:8090/TotalControl/v1/devices/device@1116106541/screen/inputs?token=270eq7lXQK8bXYsJ&code=home&state=press

示例二:
http://127.0.0.1:8090/TotalControl/v1/devices/device@1116106541/screen/inputs
{
    "token":"270eq7lXQK8bXYsJ",
    "code":"home",
    "state":"press"
}

返回示例:


{
    "status":true
}

返回字段说明:

字段类型描述
statusbooleantrue:成功; false:失败
内容概要:本文为《科技企业品牌传播白皮书》,系统阐述了新闻媒体发稿、自媒体博主种草与短视频矩阵覆盖三大核心传播策略,并结合“传声港”平台的AI工具与资源整合能力,提出适配科技企业的品牌传播解决方案。文章深入分析科技企业传播的特殊性,包括受众圈层化、技术复杂性与传播通俗性的矛盾、产品生命周期影响及2024-2025年传播新趋势,强调从“技术输出”向“价值引领”的战略升级。针对三种传播方式,分别从适用场景、操作流程、效果评估、成本效益、风险防等方面提供详尽指南,并通过平台AI能力实现资源智能匹配、内容精准投放与全链路效果追踪,最终构建“信任—种草—曝光”三位一体的传播闭环。; 适合人:科技企业品牌与市场负责人、公关传播从业者、数字营销管理者及初创科技公司创始人;具备一定品牌传播基础,关注效果可量化与AI工具赋能的专业人士。; 使用场景及目标:①制定科技产品全生命周期的品牌传播策略;②优化媒体发稿、KOL合作与短视频运营的资源配置与ROI;③借助AI平台实现传播内容的精准触达、效果监测与风险制;④提升品牌在技术可信度、用户信任与市场影响力方面的综合竞争力。; 阅读建议:建议结合传声港平台的实际工具模块(如AI选媒、达人匹配、数据驾驶舱)进行对照阅读,重点关注各阶段的标准化流程与数据指标基准,将理论策略与平台实操深度融合,推动品牌传播从经验驱动转向数据与工具双驱动。
**CodeGen-350M-distilled** 本身是一个开源的预训练模型,通常不直接提供 REST API 接口。但你可以通过以下方式为其构建 REST API--- ### ✅ **是否可以通过 REST API 使用?** **官方不提供现成的 REST API**,但你可以使用常见的 Python Web 框架(如 Flask、FastAPI)将模型封装为一个 RESTful API 服务。 --- ### 🛠️ **如何构建 REST API** #### 步骤如下: 1. **加载模型和分词器** 2. **创建 Web 服务** 3. **定义 API 接口** 4. **接收请求并返回生成的代码** --- ### 🧪 示例:使用 FastAPI 构建 CodeGen-350M-distilled 的 REST API ```python from fastapi import FastAPI from pydantic import BaseModel from transformers import AutoTokenizer, AutoModelForCausalLM import torch # 初始化模型和分词器 tokenizer = AutoTokenizer.from_pretrained("Salesforce/codegen-350M-distilled") model = AutoModelForCausalLM.from_pretrained("Salesforce/codegen-350M-distilled") # 创建 FastAPI 应用 app = FastAPI() # 定义请求体结构 class PromptRequest(BaseModel): prompt: str max_length: int = 100 # 定义 API 端点 @app.post("/generate") def generate_code(request: PromptRequest): inputs = tokenizer(request.prompt, return_tensors="pt") outputs = model.generate(inputs.input_ids, max_length=request.max_length) code = tokenizer.decode(outputs[0], skip_special_tokens=True) return {"generated_code": code} # 启动服务:uvicorn api:app --reload ``` --- ### 📡 示例请求(使用 curl 或 Postman) ```bash curl -X POST "http://localhost:8000/generate" \ -H "Content-Type: application/json" \ -d '{"prompt": "Write a Python function to reverse a string."}' ``` --- ### ✅ 优点 - 可以部署为远程服务供多个客户端调用。 - 易于集成到 IDE 插件、低代码平台或教学系统中。 --- ### ❌ 注意事项 - 模型推理较耗资源,建议使用 GPU。 - 若需高并发,应使用模型服务框架如 **Triton Inference Server** 或 **TorchServe**。 - 可以考虑使用 **Docker** 封装服务。 --- ###
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值