diff --git a/.DS_Store b/.DS_Store
index 8184b07..1382c6b 100644
Binary files a/.DS_Store and b/.DS_Store differ
diff --git a/labworks/.DS_Store b/labworks/.DS_Store
index 30a9126..83b16b5 100644
Binary files a/labworks/.DS_Store and b/labworks/.DS_Store differ
diff --git a/labworks/LW2/report_lr2_Troyanov_Chernov.md b/labworks/LW2/report_lr2_Troyanov_Chernov.md
index 219cf98..d623af6 100644
--- a/labworks/LW2/report_lr2_Troyanov_Chernov.md
+++ b/labworks/LW2/report_lr2_Troyanov_Chernov.md
@@ -303,16 +303,40 @@ test_letter_normalized = scaler.transform(test_letter)
 Создан и обучен автокодировщик с подходящей для данных архитектурой на ненормализованных данных. Выбрано необходимое количество эпох обучения.
 
 ```python
-# Обучение на ненормализованных данных
-with patch('builtins.input', side_effect=['1', '11', '48 36 24 16 8 4 8 16 24 36 48']):
+# Обучение автокодировщика для Letter на НЕнормализованных данных
+# Входной и выходной слои создаются автоматически по размеру данных (32 признака)
+# Мы задаем только скрытые слои
+# Полная архитектура: 32(вход) -> 100 -> 68 -> 48 -> 32 -> 24 -> 16 -> 8 -> 16 -> 24 -> 32 -> 48 -> 64 -> 100 -> 32(выход)
+# 11 скрытых слоев:  100 64 48 32 24 16 8 16 24 32 48 64 100 
+
+import warnings
+# Подавляем предупреждение о формате сохранения HDF5
+warnings.filterwarnings('ignore', category=UserWarning, module='absl')
+
+print('Обучение автокодировщика для данных Letter (НЕнормализованные данные)...')
+print('Архитектура: 32(вход) -> 100 -> 68 -> 48 -> 32 -> 24 -> 16 -> 8 -> 16 -> 24 -> 32 -> 48 -> 64 -> 100 -> 32(выход)')
+
+# Автоматизируем ввод для выбора пользовательской архитектуры
+with patch('builtins.input', side_effect=['1', '17', ' 100 86 72 64 48 32 24 16 8 16 24 32 48 64 72 86 100']):
     ae_letter_raw, IRE_letter_raw, IREth_letter_raw = lib.create_fit_save_ae(
         train_letter, 
         'out/Letter_AE_raw.h5', 
         'out/Letter_AE_raw_ire_th.txt',
-        20000,  # epochs
-        True,   # verbose_show
-        200,    # patience
+        100000,  # epochs
+        False,  # verbose_show
+        10000,  # patience
+        verbose_every_n_epochs=500
     )
+
+# Вычисление MSE из предсказания
+X_pred_letter_raw = ae_letter_raw.predict(train_letter, verbose=0)
+mse_letter_raw = np.mean((train_letter - X_pred_letter_raw) ** 2)
+
+print(f'\nОбучение завершено (НЕнормализованные данные)!')
+print(f'MSE_stop (приблизительно): {mse_letter_raw:.6f}')
+print(f'Порог IRE: {IREth_letter_raw:.6f}')
+print(f'Количество скрытых слоев: 11')
+print(f'Количество нейронов в скрытых слоях: 100 -> 68 -> 48 -> 32 -> 24 -> 16 -> 8 -> 16 -> 24 -> 32 -> 48 -> 64 -> 100')
 ```
 
 Архитектура: 32 → 100 → 68 → 48 → 32 → 24 → 16 → 8 → 16 → 24 → 32 → 48 → 64 → 100 → 32  
@@ -324,16 +348,35 @@ with patch('builtins.input', side_effect=['1', '11', '48 36 24 16 8 4 8 16 24 36
 Создан и обучен автокодировщик с той же архитектурой на нормализованных данных для сравнения результатов.
 
 ```python
-# Обучение на нормализованных данных
-with patch('builtins.input', side_effect=['1', '11', '48 36 24 16 8 4 8 16 24 36 48']):
+# Обучение автокодировщика для Letter на нормализованных данных
+# Та же архитектура для сравнения: 32(вход) -> 100 -> 68 -> 48 -> 32 -> 24 -> 16 -> 8 -> 16 -> 24 -> 32 -> 48 -> 64 -> 100 -> 32(выход)
+# 11 скрытых слоев: 100 86 72 64 48 32 24 16 8 16 24 32 48 64 72 86 100
+
+print('Обучение автокодировщика для данных Letter (нормализованные данные)...')
+print('Архитектура: 32(вход) -> 100 -> 68 -> 48 -> 32 -> 24 -> 16 -> 8 -> 16 -> 24 -> 32 -> 48 -> 64 -> 100 -> 32(выход)')
+
+# Автоматизируем ввод для выбора пользовательской архитектуры
+with patch('builtins.input', side_effect=['1', '17', ' 100 86 72 64 48 32 24 16 8 16 24 32 48 64 72 86 100']):
     ae_letter_norm, IRE_letter_norm, IREth_letter_norm = lib.create_fit_save_ae(
         train_letter_normalized, 
         'out/Letter_AE_norm.h5', 
         'out/Letter_AE_norm_ire_th.txt',
         20000,  # epochs
-        True,   # verbose_show
-        200,    # patience
+        True,  # verbose_show
+        200,  # patience
+        verbose_every_n_epochs=500
     )
+
+# Вычисление MSE из предсказания
+X_pred_letter_norm = ae_letter_norm.predict(train_letter_normalized, verbose=0)
+mse_letter_norm = np.mean((train_letter_normalized - X_pred_letter_norm) ** 2)
+
+print(f'\nОбучение завершено (нормализованные данные)!')
+print(f'MSE_stop (приблизительно): {mse_letter_norm:.6f}')
+print(f'Порог IRE: {IREth_letter_norm:.6f}')
+print(f'Количество скрытых слоев: 11')
+print(f'Количество нейронов в скрытых слоях: 100 -> 68 -> 48 -> 32 -> 24 -> 16 -> 8 -> 16 -> 24 -> 32 -> 48 -> 64 -> 100')
+
 ```
 
 ### 7) Сравнение результатов обучения