diff --git a/README.md b/README.md
index ea6abfaf81f009d3c0dfd382788e1cf02a3b6e18..59edd3246dc384e6ddfa5bcf0aaed33c7f0fd0af 100644
--- a/README.md
+++ b/README.md
@@ -1,6 +1,4 @@
-# CNNImageCodec
-
-Учебный проект, посвященный сжатию изображений при помощи нейронных сетей
+# Учебный проект, посвященный сжатию изображений при помощи нейронных сетей
 
 Данный простой кодек сжимает изображения размером 128x128 при помощи свёрточных нейронных сетей, квантования и адаптивного арифметического кодирования.
 В папке ./train/ находятся изображения, которые были использованы для обучения сети, в папке ./test/ находятся изображения для демонстрации результатов.
@@ -18,7 +16,7 @@
 2. \hat y^i_3 = y_{max}\cdot\left(\frac{x_i}{2^{b}}+\frac{1}{2^{b+1}}\right)
 3. Слой 1. Принимает \hat y_3. Свёртка 3\times 3, ReLu. На выходе  \hat y_2 размером 32x32x16.
 4. Слой 2. Принимает \hat y_2. Свёртка 5\times 5, ReLu. На выходе  \hat y_3 размером 64x64x32.
-4. Слой 3. Принимает \hat y_3. Свёртка 5\times 5, ReLu. На выходе  изображение \hat x размером 128x128x3.
+4. Слой 3. Принимает \hat y_3. Свёртка 7\times 7, ReLu. На выходе  изображение \hat x размером 128x128x3.
 
 На следующем примере показан случай, когда при обучении к вектору y_3 не прибавляется шум, соразмерный квантованию с шагом 2^3. Как можно заметить, это приводит
 к появлению артефактов.
@@ -28,6 +26,8 @@
 артефакты устранились, что привело к тому, что данная простейшая модель выигрывает у JPEG по качеству на высоких степенях сжатия.
 ![Обучения c добавлением шума. Epoch=3000](./doc/AI_Epoch3000_Noisebt3.png)
 
+ААК из [1] реализован на языке Си и подключается к коду как библиотека. Для сборки модуля необходимо выполнить команды, которые находятся в файле
+EntropyCompile.bat
 
 [1] Ian H. Witten, Radford M. Neal, and John G. Cleary, “Arithmetic coding for data compression,” Commun. ACM, vol. 30, no. 6, pp. 520–540, jun
 1987.
\ No newline at end of file