diff --git a/labworks/LW4/readme.md b/labworks/LW4/readme.md
index 2ac35ae..ccfb8e5 100644
--- a/labworks/LW4/readme.md
+++ b/labworks/LW4/readme.md
@@ -17,7 +17,6 @@ print('Found GPU at: {}'.format(device_name))
 ```
 Found GPU at: /device:GPU:0
 ### 2) Загрузили набор данных IMDb, содержащий оцифрованные отзывы на фильмы, размеченные на два класса: позитивные и негативные. При загрузке набора данных параметр seed выбрали равным значению (4k – 1)=27, где k=7 – номер бригады. Вывели размеры полученных обучающих и тестовых массивов данных.
-# загрузка датасета
 ```python
 from keras.datasets import imdb
 
@@ -48,9 +47,9 @@ Shape of y train: (25000,)
 Shape of X test: (25000,)
 Shape of y test: (25000,)
 ### 3) Вывели один отзыв из обучающего множества в виде списка индексов слов. Преобразовали список индексов в текст и вывели отзыв в виде текста. Вывели длину отзыва. Вывели метку класса данного отзыва и название класса (1 – Positive, 0 – Negative).
+```python
 # создание словаря для перевода индексов в слова
 # заргузка словаря "слово:индекс"
-```python
 word_to_id = imdb.get_word_index()
 # уточнение словаря
 word_to_id = {key:(value + index_from) for key,value in word_to_id.items()}
@@ -84,7 +83,6 @@ print('MIN Len: ',len(min(X_train, key=len)))
 MAX Len:  2494
 MIN Len:  11
 ### 5) Провели предобработку данных. Выбрали единую длину, к которой будут приведены все отзывы. Короткие отзывы дополнили спецсимволами, а длинные обрезали до выбранной длины.
-# предобработка данных
 ```python
 from tensorflow.keras.utils import pad_sequences
 max_words = 500