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.

72 Таким чином, у ході дослідження було встановлено, що параметри навчання CNN‑моделі мають суттєвий вплив на її точність та здатність до узагальнення. Отримані результати показали, що хоча 5 епох є достатніми для базових архітектур, більш складні моделі демонструють кращі результати під час 7 епох навчання. Це підтверджує необхідність подальших досліджень впливу тривалості навчання з урахуванням глибини та складності CNN. Найкращою конфігурацією для розглянутої задачі виявилася спрощена архітектура AlexNet з кількістю епох 7 та розміром mini‑batch 80. Отримані результати можуть бути використані як основа для подальших експериментів, спрямованих на оптимізацію згорткових нейронних мереж для задач класифікації зображень малого розміру. СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ: 1. Krizhevsky A., Hinton G. Learning multiple layers of features from tiny images : техн. звіт. – Toronto : University of Toronto, 2009. – 60 с. – URL: https://www.cs.toronto.edu/~kriz/learning-features-2009-TR.pdf [дата звернення: 19.12.2025]. 2. Bengio Y., Courville A., Goodfellow I. Deep Learning. MIT Press, 2016. 800 p. 3. Smith L. N. Cyclical Learning Rates for Training Neural Networks. 2017 IEEE Winter Conference on Applications of Computer Vision (WACV) , Santa Rosa, CA, USA, 24–31 March 2017. 2017. URL: https://doi.org/10.1109/wacv.2017.58. 4. Gradient-based learning applied to document recognition / Y. Lecun et al. Proceedings of the IEEE. 1998. Vol. 86, no. 11. P. 2278–2324. URL: https://doi.org/10.1109/5.726791. 5. Krizhevsky A., Sutskever I., Hinton G. E. ImageNet classification with deep convolutional neural networks. Communications of the ACM . 2017. Vol. 60, no. 6. P. 84–90. URL: https://doi.org/10.1145/3065386.