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.

71 мала найменший час навчання, однак низька якість класифікації робить її малопридатною для подальшого використання. Однак під час аналізу складніших архітектур було виявлено важливу особливість: для спрощеної архітектури AlexNet збільшення кількості епох до 7 призвело до зростання тестової точності до 70,77 %, що перевищує результати, отримані при 5 епохах (табл. 4). Таблиця 4. Результати оцінки якості моделі при зміні архітектури нейронної мережі (7 епох) Arcitecture Accuracy, % Loss Training time (sec.) Base aschitecture 70.01 0.8883 191.76 LeNet-5 58.42 1.1951 41.04 AlexNet 70.77 0.8530 216.53 У результаті аналізу результатів з таблиці 4, було зафіксовано покращення тестової точності для всіх моделей. Базова архітектура досягла точності 70.01%, спрощена AlexNet – 70.77%, тоді як LeNet-5, попри певне покращення, все ще значно поступалася іншим архітектурам. Отримані результати свідчать про те, що раніше визначене оптимальне значення кількості епох навчання не є універсальним для всіх архітектур згорткових нейронних мереж. Збільшення кількості епох до 7 призвело до покращення узагальнюючої здатності моделей, що особливо помітно для більш складних архітектур. Це може пояснюватися тим, що моделі з більш складною архітектурою потребують більшої кількості ітерацій навчання для повноцінного формування високорівневих ознак та стабілізації вагових коефіцієнтів. Водночас для простіших архітектур подальше збільшення кількості епох не забезпечує суттєвого приросту точності та може викликати перенавчання. Таким чином, оптимальна кількість епох навчання повинна визначатися з урахуванням складності архітектури моделі та її здатності до узагальнення.