}
    ]
}
```

car le paramètre de chemin `item_id` possède comme valeur `"foo"`, qui ne peut pas être convertie en entier (`int`).

La même erreur se produira si vous passez un nombre flottant (`float`) et non un entier, comme ici
<a href="http://127.0.0.1:8000/items/4.2" class="external-link" target="_blank">http://127.0.0.1:8000/items/4.2</a>.


/// check | vérifier

## El orden importa

Al crear *path operations*, puedes encontrarte en situaciones donde tienes un path fijo.

Como `/users/me`, imaginemos que es para obtener datos sobre el usuario actual.

Y luego también puedes tener un path `/users/{user_id}` para obtener datos sobre un usuario específico por algún ID de usuario.

/// note | Nota

Es común que cada proveedor de autenticación nombre sus flujos de una manera diferente, para hacerlos parte de su marca.

Pero al final, están implementando el mismo estándar OAuth2.

///

* `path` - La path del archivo para el archivo a transmitir.
* `headers` - Cualquier header personalizado para incluir, como un diccionario.
* `media_type` - Un string que da el media type. Si no se establece, se usará el nombre de archivo o la path para inferir un media type.
* `filename` - Si se establece, se incluirá en el response `Content-Disposition`.

## Alias para parámetros

Imagina que quieres que el parámetro sea `item-query`.

Como en:

```
http://127.0.0.1:8000/items/?item-query=foobaritems
```

Pero `item-query` no es un nombre de variable válido en Python.

Lo más cercano sería `item_query`.

Pero aún necesitas que sea exactamente `item-query`...

///

### `response_model_include` y `response_model_exclude`

También puedes usar los parámetros del decorador de path operation `response_model_include` y `response_model_exclude`.

Aceptan un `set` de `str` con el nombre de los atributos a incluir (omitiendo el resto) o excluir (incluyendo el resto).

Esto se puede usar como un atajo rápido si solo tienes un modelo de Pydantic y quieres eliminar algunos datos de la salida.

/// tip | Consejo

* L'apprentissage profond (ou **Deep Learning**) : est un sous-domaine du **Machine Learning**, donc les mêmes raisons s'appliquent. Avec la différence qu'il n'y a pas une unique feuille de calcul de nombres à multiplier, mais une énorme quantité d'entre elles, et dans de nombreux cas, on utilise un processeur spécial pour construire et / ou utiliser ces modèles....

nom.ni
nom.pa
nom.pe
nom.pl
nom.ro
nom.tm
nom.ve
nom.za
nombre.bo
nome.cv
nome.pt
nomi.ishikawa.jp
nonoichi.ishikawa.jp
noop.app
noor.jp
nord-aurdal.no
nord-fron.no
nord-odal.no
norddal.no
nordeste-idc.saveincloud.net
nordkapp.no
nordre-land.no
nordreisa.no
nore-og-uvdal.no
north-kazakhstan.su
norton
nose.osaka.jp
nosegawa.nara.jp

nom.ni
nom.pa
nom.pe
nom.pl
nom.ro
nom.tm
nom.ve
nom.za
nombre.bo
nome.cv
nome.pt
nomi.ishikawa.jp
nonoichi.ishikawa.jp
noop.app
noor.jp
nord-aurdal.no
nord-fron.no
nord-odal.no
norddal.no
nordeste-idc.saveincloud.net
nordkapp.no
nordre-land.no
nordreisa.no
nore-og-uvdal.no
north-kazakhstan.su
norton
nose.osaka.jp
nosegawa.nara.jp

 * @param valueCount the number of values per cache entry. Must be positive.
 * @param maxSize the maximum number of bytes this cache should use to store.
 */
class DiskLruCache(
  fileSystem: FileSystem,
  /** Returns the directory where this cache stores its data. */
  val directory: Path,
  private val appVersion: Int,
  internal val valueCount: Int,