dtЦифровая трансформацияDigital Transformation2522-96132524-2822Educational Establishment “Belarusian State University of Informatics and Radioelectronics”10.35596/1729-7648-2026-32-2-44-52dt-1039Research ArticleТЕХНИЧЕСКИЕ НАУКИTECHNICAL SCIENCESИсследование влияния гиперпараметров на точность нейросетевого предсказания с использованием набора данных Fashion-MNISTInvestigation of the Impact of Hyperparameters on the Accuracy of Neural Network Predictions Using the Fashion-MNIST DatasetКлименкоД. М.KlimenkaD.

Клименко Д. М., студ.

220064, Минск, ул. Курчатова, 5;

Тел.: +375 17 209-58-36

Klimenka D., Studen

220064,  Minsk, Kurchatova St., 5;

Tel.: +375 17 209-58-36

КозловаЕ. И.KazlovaА.

Козлова Е. И., канд. физ.-мат. наук, доц., зав. каф. интеллектуальных систем

220064, Минск, ул. Курчатова, 5;

Тел.: +375 17 209-58-36

Kazlova A., Cand. Sci. (Phys. and Math.) Associate Professor, Head of the Department of Intelligent Systems

220064,  Minsk, Kurchatova St., 5;

Tel.: +375 17 209-58-36

 

kozlova@bsu.byБелорусский государственный университетBelarusian State University2026260620263224452Copyright © Клименко Д.М., Козлова Е.И., 20262026Клименко Д.М., Козлова Е.И.Klimenka D., Kazlova А.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://dt.bsuir.by/jour/article/view/1039

В настоящее время в области машинного обучения и искусственного интеллекта активно исследуются методы оптимизации и настройки гиперпараметров моделей. Одно из ключевых направлений таких исследований – анализ влияния изменения гиперпараметров, таких как количество слоев двумерной свертки (Conv2D) и их параметры (число фильтров, размер ядра), размер и шаг слоев максимальной подвыборки (MaxPooling2D), количество нейронов в полносвязных слоях, функции активации, размер пакета (batch_size) и количество эпох обучения, на точность предсказания модели. В статье приведен анализ влияния изменения количества слоев двумерной свертки, параметров слоев максимальной подвыборки (размер окна и шаг), количества нейронов в полносвязных слоях, выбора функции активации, размера пакета и числа эпох обучения на точность предсказания моделей машинного обучения на наборе данных Fashion-MNIST в архитектуре сверточной нейронной сети.

Machine learning and artificial intelligence (AI) are currently actively researching methods for optimizing and tuning model hyperparameters. One key area of research is analyzing the impact of varying hyperparameters, such as the number of two-dimensional convolution (Conv2D) layers and their parameters (number of filters, kernel size), the size and stride of maximum pooling (MaxPooling2D) layers, the number of neurons in fully connected layers, activation functions, batch size (batch_size), and the number of training epochs, on the prediction accuracy of machine learning models using a convolutional neural network architecture on the Fashion-MNIST

размер пакетадвумерная сверткаFashion-MNISTмаксимальная подвыборкагиперпараметрыколичество эпох обученияколичество фильтровоптимизация гиперпараметровточность предсказанияфункции активацииbatch size2D convolutionFashion-MNISTmax poolinghyperparametersnumber of training epochsnumber of filtershyperparameter optimizationprediction accuracyactivation functionsReferencesКлейнер, С. Г. Исследование точности решения задачи оптимизации гиперпараметров с помощью нейронной сети [Электронный ресурс] / С. Г. Клейнер. Режим доступа: https://www.xn8sbempclcwd3bmt.xnp1ai/article/24427. Дата доступа: 24.12.2025.Kleiner, S. G. (2025) Study of the Accuracy of Solving a Hyper Parameter Optimization Problem Using a Neural Network. Available: https://www.xn8sbempclcwd3bmt.xnp1ai/article/24427 (Accessed 24 December 2025) (in Russian).Игнатьева, С. А. Влияние выбора гиперпараметров при обучении cверточных нейронных сетей на точность повторной идентификации людей в системах видеонаблюдения [Электронный ресурс] / С. А. Игнатьева. Режим доступа: https://elib.psu.by/bitstream/123456789/34506/1/163-167.pdf. Дата доступа: 24.12.2025.Ignatieva S. A. (2025) The Impact of Hyper Parameter Selection in Convolutional Neural Network Training on the Accuracy of Person Re-Identification in Video Surveillance Systems. Available: https://elib.psu.by/bitstream/123456789/34506/1/163-167.pdf (Accessed 24 December 2025) (in Russian).Fashion MNIST [Electronic resource]. Mode of access: https://github.com/zalandoresearch/fashion-mnist. Date of access: 24.12.2025.Fashion MNIST. Available: https://github.com/zalandoresearch/fashion-mnist (Accessed 24 December 2025) (in Russian).Review of Deep Learning: Concepts, CNN Architectures, Challenges, Applications, Future Directions / L. Alzubaidi [et al.] // Journal of Big Data. 2021 Vol. 8, No 53 P. 2–74. https://doi.org/10.1186/s40537-021-00444-8.Alzubaidi L., Zhang J., Humaidi A. J., Al-Dujaili A., Duan Ye, Al-Shamma O., et al. (2021) Review of Deep Learning: Concepts, CNN Architectures, Challenges, Applications, Future Directions. Journal of Big Data. 8 (53), 2–74. https://doi.org/10.1186/s40537-021-00444-8.Murphy, K. P. Probabilistic Machine Learning: An Introduction / К. Р. Murphy. USA: MIT Press, 2022 P. 323–358.Murphy K. P. (2022) Probabilistic Machine Learning: An Introduction. USA, MIT Press Publ. 323–358.

The authors declare that there are no conflicts of interest present.