Is this implementation of stochastic BFGS correct?

def s$\_$bfgs$($w$\_0,$ B$\_0,$ data, labels, pred$\_$f$=$prediction, grad$\_$f$=$stochastic$\_$gradient, loss$\_$f$=$logloss$,$ max$\_$iter$=100,$ tol$=0\mathrm{.}0001,$ batch$\_$size$=50)$:

w $=$ w$\_0$

B$\_$inv $=$ np$.$linalg.inv$($B$\_0)$

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

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

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

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

s

$=$ alpha $*$ p

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

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

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

break

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

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

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

B$\_$inv $=$ B$\_$inv $+(1+$ np$.$dot$($y$.$T$,$ np$.$dot$($B$\_$inv, y$))/$ sy$)*$ np$.$outer$($s$,$ s$)/$ sy $-($np$.$outer$($np$.$dot$($B$\_$inv, y$),$ s$)+$ np$.$outer$($s$,$ np$.$dot$($B$\_$inv, y$)))/$ sy

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

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

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

w $=$ w$\_$new

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

return w