diff --git a/Deep Learning/submission_template04.py b/Deep Learning/submission_template04.py
index 498fa3e..b9f3da0 100644
--- a/Deep Learning/submission_template04.py	
+++ b/Deep Learning/submission_template04.py	
@@ -5,11 +5,35 @@
 
 class ConvNet(nn.Module):
     def __init__(self):
-        ...
+        super().__init__()
+        
+        self.conv1 = nn.Conv2d(in_channels=3, out_channels=3, kernel_size=5)  # 3 фильтра размера (5, 5)
+        self.pool1 = nn.MaxPool2d(kernel_size=(2,2))  # Ядро размера 2
+        self.conv2 = nn.Conv2d(in_channels=3, out_channels=5, kernel_size=3)  # 5 фильтров размера (3, 3)
+        self.pool2 = nn.MaxPool2d(kernel_size=2)  # Ядро размера 2
+
+        self.flatten = nn.Flatten()  # Преобразование в одномерный вектор
+
+        self.fc1 = nn.Linear(in_features=5 * 6 * 6, out_features=100)  # 100 нейронов на выходе
+        self.fc2 = nn.Linear(in_features=100, out_features=10)  # 10 нейронов на выходе
+
 
     
     def forward(self, x):
-        ...
+        x = self.conv1(x)  # Применяем первый сверточный слой
+        x = F.relu(x)  # Применяем функцию активации ReLU
+        x = self.pool1(x)  # Применяем первый слой подвыборки
+
+        x = self.conv2(x)  # Применяем второй сверточный слой
+        x = F.relu(x)  # Применяем функцию активации ReLU
+        x = self.pool2(x)  # Применяем второй слой подвыборки
+
+        x = self.flatten(x)  # Преобразуем в одномерный вектор
 
+        x = self.fc1(x)  # Применяем первый полносвязный слой
+        x = F.relu(x)  # Применяем функцию активации ReLU
+        x = self.fc2(x)  # Применяем второй полносвязный слой
+        return x
+        
 def create_model():
     return ConvNet()