// CHECK-NEXT:   value {
// CHECK-NEXT:     list {
// CHECK-NEXT:       shape {
// CHECK-NEXT:         dim {
// CHECK-NEXT:           size: 3
// CHECK:            shape {
// CHECK-NEXT:         dim {
// CHECK-NEXT:           size: 4
// CHECK-NEXT:         }
// CHECK-NEXT:         dim {
// CHECK-NEXT:           size: -1
// CHECK:            shape {
// CHECK-NEXT:         unknown_rank: true

# Text form of tensorflow.tf2xla.Config proto.
feed {
  id { node_name: "x_const" }
  shape {
    dim { size: 1 }
  }
}
feed {
  id { node_name: "y_const" }
  shape {
    dim { size: 1 }
  }
}
fetch {
  id { node_name: "func_call" }

**FastAPI** behält die zusätzlichen Informationen aus `responses` und kombiniert sie mit dem JSON-Schema aus Ihrem Modell.

Sie können beispielsweise eine Response mit dem Statuscode `404` deklarieren, die ein Pydantic-Modell verwendet und über eine benutzerdefinierte Beschreibung (`description`) verfügt.

Und eine Response mit dem Statuscode `200`, die Ihr `response_model` verwendet, aber ein benutzerdefiniertes Beispiel (`example`) enthält:

    // Collect non-unit dims and corresponding dim in the input shape.
    SmallVector<int64_t, 4> input_carryover_dims;
    SmallVector<int64_t, 4> non_unit_dims;

    for (int i = 0; i < input_shape_extended.size(); i++) {
      int64_t dim = broadcast_shape[i];
      if (dim != 1) {
        non_unit_dims.push_back(dim);
        input_carryover_dims.push_back(input_shape_extended[i]);
      }
    }

    key: "value"
    value {
      tensor { dtype: DT_INT32 tensor_shape { dim { size: 1 } } int_val: 1 }
    }
  }
  attr {
    key  : "dtype"
    value {
      type       : DT_INT32
    }
  }
}
node {
  name  : "y_const"
  op    : "Const"
  attr {
    key: "value"
    value {
      tensor { dtype: DT_INT32 tensor_shape { dim { size: 1 } } int_val: 2 }
    }
  }
  attr {
    key: "dtype"

# Hintergrundtasks – `BackgroundTasks`

Sie können einen Parameter in einer *Pfadoperation-Funktion* oder einer Abhängigkeitsfunktion mit dem Typ `BackgroundTasks` deklarieren und diesen danach verwenden, um die Ausführung von Hintergrundtasks nach dem Senden der Response zu definieren.

Sie können `BackgroundTasks` direkt von `fastapi` importieren:

```python
from fastapi import BackgroundTasks
```

# Text form of tensorflow.tf2xla.Config proto.
feed {
  id { node_name: "x" }
  shape {
    dim { size: 2 }
  }
}
feed {
  id { node_name: "y" }
  shape {
    dim { size: 3 }
  }
}
fetch {
  id { node_name: "x_y_sum" }

# Text form of tensorflow.tf2xla.Config proto.
feed {
  id { node_name: "x_const" }
  shape {
    dim { size: 1 }
  }
}
feed {
  id { node_name: "y_const" }
  shape {
    dim { size: 1 }
  }
}
fetch {
  id { node_name: "x_y_sum" }

# Text form of tensorflow.tf2xla.Config proto.
feed {
  id { node_name: "x_hold" }
  shape {
    dim { size: 1 }
  }
}
feed {
  id { node_name: "y_hold" }
  shape {
    dim { size: 1 }
  }
}
fetch {
  id { node_name: "x_y_diff" }

    key: "dtype"
    value {
      type: DT_FLOAT
    }
  }
  attr {
    key: "value"
    value {
      tensor {
        dtype: DT_FLOAT
        tensor_shape {
          dim {
            size: 2
          }
          dim {
            size: 2
          }
        }
        tensor_content: "\315\314\314=\315\314L>\232\231\231>\315\314\314>"
      }
    }
  }
}
node {
  name: "Placeholder"