Статья посвящена исследованию и сравнению различных методов оптимизации при обучении нейронных сетей. Рассматриваются ключевые алгоритмы, такие как стохастический градиентный спуск, метод Momentum, AdaGrad и Adam. Для каждого метода предоставляются теоретические обоснования, математические формулы и примеры реализации на практике. Проведено экспериментальное сравнение эффективности этих методов на задаче классификации рукописных цифр с использованием набора данных MNIST. Обсуждаются преимущества и недостатки каждого метода, а также их влияние на скорость обучения и точность модели. На основе полученных результатов подводится итог о наиболее эффективном алгоритме, подчеркивается важность выбора подходящего метода оптимизации для повышения эффективности нейронных сетей в различных приложениях.