Proceedings of the International scientific and practical conference ―Science, Technology and Culture in the Era of Globalization‖ (December 24-26, 2025) / Publisher website: www.naukainfo.com. – Geneva, Switzerland, 2026. – 234 p.

69 Таблиця 1. Результати оцінки якості моделі при зміні кількості епох Epochs Accuracy, % Loss Training time, s 3 epochs 65.27 1.0084 100.71 5 epochs 67.68 0.9663 179.58 7 epochs 67.56 1.1120 244.34 10 epochs 66.97 1.3120 323.99 З аналізу результатів з таблиці 1 видно, що найкращі результати точності та часу навчання моделі спостерігаються при кількості епох, що дорівнює 5. Додатково було досліджено вплив розміру mini‑batch (табл. 2) [3]. Таблиця 2. Результати оцінки якості моделі при зміні розміру параметру batch_size Mini-Batch Accuracy, % Loss Training time, s 16 65.87 1.0253 269.11 32 67.68 0.9663 179.58 64 57.35 1.3615 146.82 80 67.59 0.9490 146.41 Експерименти показали, що надто малий розмір пакета призводить до збільшення часу навчання без покращення точності, тоді як надто великий може негативно впливати на стабільність навчання. Найкращий баланс між якістю класифікації та обчислювальною ефективністю було досягнуто при mini‑batch, рівному 80. На останньому етапі було проведено порівняльний аналіз архітектур згорткових нейронних мереж. Було досліджено три архітектури: базову CNN, класичну LeNet-5 (Рис. 3. Архітектура класичної LeNet-5 моделі) та спрощену версію AlexNet (Рис. 4. Архітектура класичної LeNet-5 моделі) [4]. Спрощена версія AlexNet була адаптована до малого розміру зображень і обмежених обчислювальних ресурсів шляхом зменшення кількості нейронів у повнозв’язних шарах та використання меншої кількості згорткових шарів