Как участникам использовать OVISOIN_TOKEN?

• Участник создает репозиторий на основе данного, и делает его видимость private, чтобы никто не украл его код.
• https://github.com/FaceChainTeam/Hackaton_Search_Base
• Заходим в настройки этого репозитория Settings->Secrets->Actions создаем ключ New repository secret с названием Name: OVISOIN_TOKEN Value: Тот самый токен полученный от o.vision
• Url с настройками

https://github.com/ВАШ_ЛОГИН/Hackaton_Search_Base/settings/secrets/actions

• После добавления токена, когда вы будете делать git push с вашими комитами, они автоматически будет отгружаться на https://hackathon.o.vision/protected/upload с помощью github actions https://github.com/FaceChainTeam/Hackaton_Search_Base/blob/main/.github/workflows/hackaton.yml
• Смотреть результат бенчмарка тут https://hackathon.o.vision
• Бенчмарк проходит за 6 минут, на этой машине

Hackaton Search Base

---

1. Цель

Цель задачи хакатона заключается в том чтобы придумать оптимальный алгоритм поиска векторных представлений человека в базе векторных представлений разных людей. Векторные представление - это вектор с размерностью 1х512, каждый элемент которого имеет тип float32. Базовый алгоритм поиска представлений выполняет поиск с сложностью O(n), где n является количеством векторных представлений людей в базе. Необходимо придумать алгоритм который ускорил бы асимптотику поиска

2. Данные

Участники хакатона получат данные в следующем виде. Дан лист X, который хранит в себе n векторный представлении людей, где n - это число людей в базе, а размерность векторных признаков равна 1х512. Каждый вектор является уникальным. Индекс листа Х является индексом человека, например, векторное представление с индексом 3 в листе X относится к человеку 3 из всех n людей.

Так же, участники получат лист Q длины k, состоящий из запросов. Каждый запрос является кортежем и состоит из 2х элементов: векторного представления человека размерностью 1х512 и индекса человека. Векторные представления в листе запросов Q являются уникальными, но относятся к людям из листа Х.

3. Формат решения

Pешение должно быть оформлено в виде класса. Класс должен иметь несколько обязательных методов:

• init: должен считывать данные и инициализировать их
• self.search_imp(query): должен производить поиск векторного представления query по базе X - self.reg_matrix, и возвращать результат поиска - все индексы человека допущенные к проверке по базе Х и их похожести с query.
• self.insert_imp(feature): должен вставлять векторное представление нового человека - feature в имеющуюся базу данных X - self.reg_matrix c учетом сохранения асимптотики поиска.

4. Метрики

Среднее время обработки запроса на поиск при условии, что для 95% запросов ответ должен содержать индекс человека, на которого был отправлен запрос.

5. Запуск

• Все необходимые библиотеки для решения задачи можно установить с помошью команды pip install requirements.txt
• Запустить бейслайновое решение можно с помошью комaнды python main.py
• Замерить скорость функции(добавив @profile декоратор на фунцию скорость которой необходимо замерить) можно с помошью команды kernprof -l -v main.py