如何在python中实现小批量梯度下降？

我刚刚开始学习深度学习。当谈到梯度下降时，我发现自己陷入了困境。我知道如何实现批量梯度下降。我知道它是如何工作的以及小批量和随机梯度下降在理论上是如何工作的。但实在无法理解如何用代码实现。

import numpy as np
X = np.array([ [0,0,1],[0,1,1],[1,0,1],[1,1,1] ])
y = np.array([[0,1,1,0]]).T
alpha,hidden_dim = (0.5,4)
synapse_0 = 2*np.random.random((3,hidden_dim)) - 1
synapse_1 = 2*np.random.random((hidden_dim,1)) - 1
for j in xrange(60000):
    layer_1 = 1/(1+np.exp(-(np.dot(X,synapse_0))))
    layer_2 = 1/(1+np.exp(-(np.dot(layer_1,synapse_1))))
    layer_2_delta = (layer_2 - y)*(layer_2*(1-layer_2))
    layer_1_delta = layer_2_delta.dot(synapse_1.T) * (layer_1 * (1-layer_1))
    synapse_1 -= (alpha * layer_1.T.dot(layer_2_delta))
    synapse_0 -= (alpha * X.T.dot(layer_1_delta))

这是 ANDREW TRASK 博客中的示例代码。它很小而且很容易理解。该代码实现了批量梯度下降，但我想在此示例中实现小批量和随机梯度下降。我怎么能这样做呢？为了分别实现小批量和随机梯度下降，我必须在这段代码中添加/修改什么？你的帮助会对我有很大帮助。提前致谢。（我知道这个示例代码有几个例子，而我需要大数据集来分割成小批量。但我想知道如何实现它）

该函数返回给定输入和目标的小批量：

def iterate_minibatches(inputs, targets, batchsize, shuffle=False):
    assert inputs.shape[0] == targets.shape[0]
    if shuffle:
        indices = np.arange(inputs.shape[0])
        np.random.shuffle(indices)
    for start_idx in range(0, inputs.shape[0] - batchsize + 1, batchsize):
        if shuffle:
            excerpt = indices[start_idx:start_idx + batchsize]
        else:
            excerpt = slice(start_idx, start_idx + batchsize)
        yield inputs[excerpt], targets[excerpt]

这告诉您如何使用它进行训练：

for n in xrange(n_epochs):
    for batch in iterate_minibatches(X, Y, batch_size, shuffle=True):
        x_batch, y_batch = batch
        l_train, acc_train = f_train(x_batch, y_batch)

    l_val, acc_val = f_val(Xt, Yt)
    logging.info('epoch ' + str(n) + ' ,train_loss ' + str(l_train) + ' ,acc ' + str(acc_train) + ' ,val_loss ' + str(l_val) + ' ,acc ' + str(acc_val))

显然，您需要根据您正在使用的优化库（例如 Lasagne、Keras）自行定义 f_train、f_val 和其他函数。