Аннотация:В данной курсовой работе рассматривается метод построения вложенных представлений данных Matryoshka Representation Learning (MRL). Цель работы - исследовать, как гиперпараметры, отвечающих за относительную важность слоёв представлений, влияют на качество этих представлений и найти их оптимальные значения. В ходе работы была реализована модель ResNet-9 с интегрированным методом MRL. Для сравнения также были обучены отдельные модели ResNet-9 с фиксированной размерностью эмбеддингов. В результате экспериментов было установлено, что наибольшую среднюю точность показали векторы гиперпараметров, где значения убывают от младших к старшим слоям. Это подтверждает, что начальные слои играют ключевую роль в формировании признаков. Также выяснилось, что настройка одного компонента вектора гиперпараметров изолированно, без учета остальных, снижает общую производительность модели. Было показано, что правильный подбор коэффициентов гиперпараметров может быть более эффективным для повышения точности, чем простое изменение интенсивности обучения.
