winuser.h中的sendMessage函数

1.新建一个Dialog  based的MFC工程MSG

2.在资源管理器中打开对话框IDD_MSG_DIALOG,在其中放置一下控件:

  (1)ID号为ID_SENDMSG的发送消息按钮(原IDOK按钮)

(2)ID号为IDCANCEL的取消按钮

(3)ID号为IDC_STATIC的静态控件,CAPTION为“您发送消息的次数统计:”

(4)ID号为IDC_EDIT的编辑控件。

3.在MSGDlg.h头文件中自定义消息:#define WM_COUNT_MSG WM_USER+100

4.在MSGDlg.h头文件中添加消息处理函数的声明

afx_msg LRESULT OnCountMsg(WPARAM,LPARAM);

5. 在CMSGDlg类实现文件MSGDlg.cpp中的消息映射表中加入自定义消息映射:

BEGIN_MESSAGE_MAP(CMSGDlg, CDialog)

     //{{AFX_MSG_MAP(CMSGDlg)

     ON_WM_SYSCOMMAND()

     ON_WM_PAINT()

     ON_WM_QUERYDRAGICON()

     ON_MESSAGE(WM_COUNT_MSG,OnCountMsg)

     ON_BN_CLICKED(ID_SENDMSG, OnSendmsg)

     //}}AFX_MSG_MAP

END_MESSAGE_MAP()

6.在CMSGDlg类实现文件MSGDlg.cpp中定义“发消息”按钮消息响应

void CMSGDlg::OnSendmsg()

{

     // TODO: Add your control notification handler code here

     staticint count;

     ++count;

     this->SendMessage(WM_COUNT_MSG,0,count); 

}

7.在CMSGDlg类实现文件MSGDlg.cpp中定义OnCountMsg消息响应

//自定义消息处理函数

LRESULT CMSGDlg::OnCountMsg(WPARAM wParam,LPARAM lParam)

{

     this->SetDlgItemInt(IDC_EDIT,lParam);

     return 1;

}

8.SendMessage函数的API原型为:

LRESULT SendMessage( HWND hWnd, UINT Msg, WPARAM wParam, LPARAM lParam);

其中hWnd标识接收消息的窗口。

以下程序用来向记事本Notepad发送一个WM_CLOSE消息以关闭记事本窗口。

// TellToClose.cpp文件

//::FindWindow&::SendMessage

#include"stdafx.h"

#include<windows.h>

int main(int argc,char* argv[])

{

     // 查找标题为“无标题- 记事本”的窗口

     // 也可以使用类名来查找,如

// HWND hWnd =::FindWindow("Notepad", NULL);

     HWND hWnd = ::FindWindow(NULL, "无标题- 记事本");

     if(hWnd != NULL)

     {

         // 向目标窗口发送WM_CLOSE消息

         ::SendMessage(hWnd, WM_CLOSE, 0, 0);

     }

     return 0;

}

另外还有一个函数:

BOOL PostMessage( HWND hWnd, UINT Msg, WPARAM wParam, LPARAM lParam);

注意SendMessage直到消息被处理完毕后才返回,而PostMessage是把一条消息投放到创建hWnd窗口的线程的消息队列中。函数不等消息被处理就立即返回。

如果开启了记事本程序,则运行以上程序记事本关闭。

另附PeekMessage和GetMessage的区别:

PeekMessage  返回   TRUE  的条件是有消息,如果没有消息返回   FALSE   
GetMessage
    返回   TRUE  的条件是有消息且该消息不为   WM_QUIT  
                返回   FALSE  的条件是有消息且该消息  为   WM_QUIT

9.在MFC中SendMessage函数封装到CWnd类中:

CWnd::SendMessage

LRESULT SendMessage( UINT message, WPARAM wParam = 0, LPARAM lParam = 0 );
返回值:消息处理的结果;它的值依赖于发送的消息。
参数:

message指定了要发送的消息;

wParam和lParam指定了与消息有关的附加信息。

wParam和lParam是Windows消息机制的两个最重要参数,整个Windows依靠这两个参数传递各种各样的消息。

首先是wParam,它表示此次的消息类型是什么。是键盘?是鼠标?键盘里又分按下还是抬起,鼠标里又分是单击还是双击,等等。

lParam是一个指针,它指向本条消息所存储的信息的内存区域的首地址,很显然,这个地址存放的东西是很灵活的,比如鼠标消息,那么这里可能存放的是各键的状态或者光标的X,Y座标。换成键盘消息,则是键码等等。

总之,在Windows系统消息处理中,wParam参数区分了类别,lParam参数存放了该类别所存储的信息。

对于自定义消息,我们把消息Msg投递(Send或Post)到 hWnd,其对应的消息处理函数一般为afx_msg LRESULT OnMsg(WPARAM,LPARAM);格式,故我们可以自定义这两个参数,以传递所需参数(一般为常规类型、结构或类的指针)到指定窗口线程。

例如: SendMessage(WM_MYMESSAGE,(WPARAM)lpMyData1,(LPARAM)lpMyData2);

参考:

1.http://topic.youkuaiyun.com/t/20021223/15/1291875.html

2. http://blog.sina.com.cn/s/blog_4a657c5a0100cgxy.html

3.《Windows程序设计》王艳平

### LlamaIndex 多模态 RAG 实现 LlamaIndex 支持多种数据类型的接入与处理,这使得它成为构建多模态检索增强生成(RAG)系统的理想选择[^1]。为了实现这一目标,LlamaIndex 结合了不同种类的数据连接器、索引机制以及强大的查询引擎。 #### 数据连接器支持多样化输入源 对于多模态数据的支持始于数据收集阶段。LlamaIndex 的数据连接器可以从多个异构资源中提取信息,包括但不限于APIs、PDF文档、SQL数据库等。这意味着无论是文本还是多媒体文件中的内容都可以被纳入到后续的分析流程之中。 #### 统一化的中间表示形式 一旦获取到了原始资料之后,下一步就是创建统一而高效的内部表达方式——即所谓的“中间表示”。这种转换不仅简化了下游任务的操作难度,同时也提高了整个系统的性能表现。尤其当面对复杂场景下的混合型数据集时,良好的设计尤为关键。 #### 查询引擎助力跨媒体理解能力 借助于内置的强大搜索引擎组件,用户可以通过自然语言提问的形式轻松获得所需答案;而对于更复杂的交互需求,则提供了专门定制版聊天机器人服务作为补充选项之一。更重要的是,在这里实现了真正的语义级关联匹配逻辑,从而让计算机具备了一定程度上的‘认知’功能去理解和回应人类意图背后所蕴含的意义所在。 #### 应用实例展示 考虑到实际应用场景的需求多样性,下面给出一段Python代码示例来说明如何利用LlamaIndex搭建一个多模态RAG系统: ```python from llama_index import GPTSimpleVectorIndex, SimpleDirectoryReader, LLMPredictor, PromptHelper, ServiceContext from langchain.llms.base import BaseLLM import os def create_multi_modal_rag_system(): documents = SimpleDirectoryReader(input_dir='./data').load_data() llm_predictor = LLMPredictor(llm=BaseLLM()) # 假设已经定义好了具体的大型预训练模型 service_context = ServiceContext.from_defaults( chunk_size_limit=None, prompt_helper=PromptHelper(max_input_size=-1), llm_predictor=llm_predictor ) index = GPTSimpleVectorIndex(documents, service_context=service_context) query_engine = index.as_query_engine(similarity_top_k=2) response = query_engine.query("请描述一下图片里的人物表情特征") print(response) ``` 此段脚本展示了从加载本地目录下各类格式文件开始直到最终完成一次基于相似度排序后的top-k条目返回全过程。值得注意的是,“query”方法接收字符串参数代表使用者想要询问的内容,而在后台则会自动调用相应的解析模块并结合先前准备好的知识库来进行推理计算得出结论。
评论
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