diff --git a/README.md b/README.md
index f881ddb7368302f62be7b9a48a4a2dcbf917e218..893506de0c712b3f6ccfd5fcb8d9bff4bf535789 100644
--- a/README.md
+++ b/README.md
@@ -3,7 +3,7 @@
 ## MSO 3.4 Apprentissage Automatique
 
 ### Overview
-Ce projet explore les modèles génératifs pour les images, en mettant l'accent sur les Generative Adversarial Networks (GANs) et les modèles de Diffusion. L'objectif est de comprendre leur implémentation, d'analyser des architectures spécifiques et d'appliquer différentes stratégies d'entraînement pour la génération d'images, avec et sans conditionnement.
+Ce projet explore les modèles génératifs pour les images, en mettant l'accent sur les Generative Adversarial Networks (GANs) et les modèles de Diffusion. L'objectif est de comprendre leur implémentation, d'analyser des architectures spécifiques et d'appliquer différentes stratégies d'entraînement pour la génération et débriute d'images, avec et sans conditionnement.
 
 ## Part 1: DC-GAN
 
@@ -120,6 +120,41 @@ For this project, we use a **70×70 PatchGAN**.
 
 ![patchGAN](images/patchGAN.png)
 
+question : how many learnable parameters this neural network has ?:
+
+1. conv1:
+- Input channels: 6
+- Output channels: 64
+- Kernel size: 4*4
+- Parameters in conv1 = (4×4×6+1(bais))×64=6208
+
+2. conv2:
+- Weights: 4 × 4 × 64 × 128 = 131072
+- Biases: 128
+- BatchNorm: (scale + shift) for 128 channels: 2 × 128 = 256  
+- Parameters in conv2: 131072 + 128 + 256 = 131456
+
+3. conv3:
+- Weights: 4 × 4 × 128 × 256 = 524288
+- Biases: 256
+- BatchNorm: (scale + shift) for 256 channels: 2 × 256 = 512  
+- Parameters in conv3: 524288 + 256 + 512= 525056
+
+4. conv4:
+- Weights: 4 × 4 × 256 × 512 = 2097152
+- Biases: 512
+- BatchNorm: (scale + shift) for 512 channels: 2 × 512 = 1024  
+- Parameters in conv4: 2097152+512+1,024=2098688
+
+5. out:
+- Weights: 4 × 4 × 512 × 1 = 8192
+- Biases: 1
+- Parameters in out: 8192 + 1=8193
+
+**Total Learnable Parameters**
+
+**6,208 + 131,456 + 525,056 + 2,098,688 + 8,193 = 2,769,601**
+
 ### **Results Comparison: 100 vs. 200 Epochs**
 
 #### **1. Training Performance**