Mais en prêtant attention aux tests de performance et aux comparaisons, vous devez tenir compte de ce qui suit.

## Tests de performance et rapidité { #benchmarks-and-speed }

Lorsque vous vérifiez les tests de performance, il est commun de voir plusieurs outils de différents types comparés comme équivalents.

## Installer `PyJWT` { #install-pyjwt }

Nous devons installer `PyJWT` pour générer et vérifier les jetons JWT en Python.

Assurez-vous de créer un [environnement virtuel](../../virtual-environments.md), de l'activer, puis d'installer `pyjwt` :

<div class="termy">

```console
$ pip install pyjwt

---> 100%
```

</div>

/// info

* [Diga que você usa o **FastAPI** no StackShare](https://stackshare.io/pypi-fastapi).

## Ajude outras pessoas com perguntas no GitHub { #help-others-with-questions-in-github }

Você pode tentar ajudar outras pessoas com suas perguntas em:

* [GitHub Discussions](https://github.com/fastapi/fastapi/discussions/categories/questions?discussions_q=category%3AQuestions+is%3Aunanswered)

* `frozenset` :
    * Dans les requêtes et les réponses, traité de la même manière qu'un `set` :
        * Dans les requêtes, une liste sera lue, les doublons éliminés, puis convertie en `set`.
        * Dans les réponses, le `set` sera converti en `list`.
        * Le schéma généré indiquera que les valeurs du `set` sont uniques (en utilisant `uniqueItems` de JSON Schema).
* `bytes` :

## Pydantic `bytes` { #pydantic-bytes }

Vous pouvez déclarer un modèle Pydantic avec des champs `bytes`, puis utiliser `val_json_bytes` dans la configuration du modèle pour lui indiquer d'utiliser base64 pour valider les données JSON en entrée ; dans le cadre de cette validation, il décodera la chaîne base64 en octets.

* Traiter des données :
    * Par exemple, si vous recevez un fichier qui doit passer par un traitement lent, vous pouvez retourner une réponse « Accepted » (HTTP 202) puis faire le traitement en arrière-plan.

## Utiliser `BackgroundTasks` { #using-backgroundtasks }

void GetDims(const TF_Tensor* t, int64_t* out_dims) {
  int num_dims = TF_NumDims(t);
  for (int i = 0; i < num_dims; i++) {
    out_dims[i] = TF_Dim(t, i);
  }
}

// Runs model as is if output is a scalar,
// else sums the output tensor before returning.
absl::Status RunAndMaybeSum(AbstractContext* ctx, Model forward,
                            absl::Span<AbstractTensorHandle* const> inputs,

Ainsi, votre application n’aura pas à générer le schéma à chaque fois qu’un utilisateur ouvre les documents de votre API.

Il ne sera généré qu’une seule fois, puis le même schéma en cache sera utilisé pour les requêtes suivantes.

{* ../../docs_src/extending_openapi/tutorial001_py310.py hl[13:14,25:26] *}

### Remplacer la méthode { #override-the-method }

        if (downloadMonitor != null) {
            wagon.addTransferListener(downloadMonitor);
        }

        Map<String, ChecksumObserver> checksums = new HashMap<>(2);

        Map<String, String> sums = new HashMap<>(2);

        // TODO configure these on the repository
        for (int i = 0; i < CHECKSUM_IDS.length; i++) {
            checksums.put(CHECKSUM_IDS[i], addChecksumObserver(wagon, CHECKSUM_ALGORITHMS[i]));

Pour ce faire, vous pouvez créer une réponse comme décrit dans [Renvoyer une Response directement](response-directly.md).

Définissez ensuite des cookies dessus, puis renvoyez-la :

{* ../../docs_src/response_cookies/tutorial001_py310.py hl[10:12] *}

/// tip | Astuce