### Concurrence + Parallélisme : Web + Machine Learning

Avec **FastAPI** vous pouvez bénéficier de la concurrence qui est très courante en développement web (c'est l'attrait principal de NodeJS).

Il ne peut pas très bien gérer les modèles imbriqués. Ainsi, si le corps JSON de la requête est un objet JSON comportant des champs internes qui sont à leur tour des objets JSON imbriqués, il ne peut pas être correctement documenté et validé.

Si tu aplicación es **simple**, probablemente esto **no será un problema**, y puede que no necesites especificar límites de memoria estrictos. Pero si estás **usando mucha memoria** (por ejemplo, con modelos de **Machine Learning**), deberías verificar cuánta memoria estás consumiendo y ajustar el **número de contenedores** que se ejecutan en **cada máquina** (y tal vez agregar más máquinas a tu cluster).

				"message/vnd.si.simp",
				"model/example",
				"model/iges",
				"model/mesh",
				"model/vnd.dwf",
				"model/vnd.dwfx+xps",
				"model/vnd.flatland.3dml",
				"model/vnd.gdl",
				"model/vnd.gs-gdl",
				"model/vnd.gs.gdl",
				"model/vnd.gtw",
				"model/vnd.moml+xml",
				"model/vnd.mts",
				"model/vnd.parasolid.transmit.binary",
				"model/vnd.parasolid.transmit.text",

    public MavenProject() {
        Model model = new Model();

        model.setGroupId(EMPTY_PROJECT_GROUP_ID);
        model.setArtifactId(EMPTY_PROJECT_ARTIFACT_ID);
        model.setVersion(EMPTY_PROJECT_VERSION);

        setModel(model);
    }

    public MavenProject(org.apache.maven.api.model.Model model) {
        this(new Model(model));
    }

    public MavenProject(Model model) {

import org.apache.maven.model.DistributionManagement;
import org.apache.maven.model.Exclusion;
import org.apache.maven.model.Extension;
import org.apache.maven.model.FileSet;
import org.apache.maven.model.InputLocation;
import org.apache.maven.model.IssueManagement;
import org.apache.maven.model.License;
import org.apache.maven.model.MailingList;
import org.apache.maven.model.Model;
import org.apache.maven.model.ModelBase;

    *   `Model.fit_generator`, `Model.evaluate_generator`,
        `Model.predict_generator`, `Model.train_on_batch`,
        `Model.test_on_batch`, and `Model.predict_on_batch` methods now respect
        the `run_eagerly` property, and will correctly run using `tf.function`
        by default. Note that `Model.fit_generator`, `Model.evaluate_generator`,

  <mime-type type="model/vnd.flatland.3dml"/>
  <mime-type type="model/vnd.gdl">
    <glob pattern="*.gdl"/>
  </mime-type>
  <mime-type type="model/vnd.gs-gdl"/>
  <mime-type type="model/vnd.gs.gdl"/>
  <mime-type type="model/vnd.gtw">
    <glob pattern="*.gtw"/>
  </mime-type>
  <mime-type type="model/vnd.moml+xml"/>
  <mime-type type="model/vnd.mts">
    <glob pattern="*.mts"/>
  </mime-type>

@app.get("/items/")
async def read_items(filter_query: Annotated[FilterParams, Query()]):
    return filter_query
```

Read the new docs: [Query Parameter Models](https://fastapi.tiangolo.com/tutorial/query-param-models/).

#### `Header` Parameter Models

Use Pydantic models for `Header` parameters:

```python
from typing import Annotated

from fastapi import FastAPI, Header
from pydantic import BaseModel