is this implementation of DEF method correct?

def dfp$($w$\_0,$ B$\_0,$ data, labels, pred$\_$f$=$prediction, grad$\_$f$=$gradient, loss$\_$f$=$logloss$,$ max$\_$iter$=100,$ tol$=0\mathrm{.}0001)$:

w $=$ w$\_0$

B$\_$inv $=$ np$.$linalg.inv$($B$\_0)$ # We only compute the inverse at initialization

grad$\_$w $=$ grad$\_$f$($len$($w$),$ w$,$ data, labels$)$

for i in range$($max$\_$iter$)$:

# Step $1$:

p $=-$np$.$dot$($B$\_$inv, grad$\_$w$)$ # Use np$.$dot instead of np$.$outer

# Step $2$:

alpha $=$ wolfe$($w$,$ p$,$ data, labels$)$

# Step $3$:

s $=$ alpha $*$ p

w$\_$new $=$ w $+$ s

grad$\_$new $=$ grad$\_$f$($len$($w$),$ w$\_$new, data, labels$)$

# Step $4$:

if np$.$linalg.norm$($grad$\_$new $-$ grad$\_$w$)<$ tol:

break

y $=$ grad$\_$new $-$ grad$\_$w

grad$\_$w $=$ grad$\_$new

sy $=$ np$.$dot$($s$,$ y$)$

# Step $5($DFP Update$)$:

Bs $=$ np$.$dot$($B$\_$inv, s$)$

B$\_$inv $=$ B$\_$inv $+$ np$.$outer$($s$,$ s$)/$ np$.$dot$($s$,$ y$)-$ np$.$outer$($Bs$,$ Bs$)/$ np$.$dot$($s$,$ Bs$)$

# Step $6($print$)$:

predictions $=$ pred$\_$f$($w$,$ data$)$

loss $=$ loss$\_$f$($predictions$,$ labels$)$

print$("$iter:$",$ i$,"$ loss:", loss$)$

w $=$ w$\_$new

return w