diff --git a/docs/maths/type-pred.md b/docs/maths/type-pred.md
index 847fb17..ee56f68 100644
--- a/docs/maths/type-pred.md
+++ b/docs/maths/type-pred.md
@@ -97,8 +97,34 @@ Python для работы. Эти подробности я опустил, и
 
 ## Пайплайн обучения нейросети
 
+**Нюанс обучения нейросети**: так как получившиеся матрицы вышли очень
+неравномерными, дополнительно они были сглажены *фильтром Гаусса*.
+
+<!-- Вставить ссылку -->
+
+Для обучения нейросети необходимо создать матрицу меток.  Так как
+предполагается, что нейросеть будет предсказывать различные типы
+файлов, то матрица меток будет иметь размер `M*NxM`, где:
+
+- `M` -- количество типов файлов
+- `N` -- количество файлов в одном типе (берется минимальное из всех,
+  чтобы обучение было равномерным)
+
+Для разбиения на тренировочную и обучающию выборки отлично подходит
+функция `train_test_split` из модуля `sklearn.model_selection`.
+
+Сам перцептрон будет иметь следующую архитектуру:
+
+1. На входном слое будет 65536 нейронов (`256х256`). Функцией активации
+   будет `ReLu`-функция.
+2. Скрытый слой будет иметь 512 нейронов и `sigmoid`-функцию активации.
+3. На выходе будет столько нейронов, сколько типов файлов нужно будет
+   предсказать.
+
 ## Результаты и картинки
 
+## Выводы
+
 ## Источники
 
 1. [https://ru.wikipedia.org/wiki/Executable_and_Linkable_Format](https://ru.wikipedia.org/wiki/Executable_and_Linkable_Format)