Minibatch梯度下降大致如下。假设B为一组迷你批次，w为网络权重，l为学习率，g()为梯度函数。 SGD算法为：
for b in B:
w = w - l * g(b, w)
在每个时期，g都是对梯度的嘈杂观察。我想尝试的是一种“模型平均方法”，在该方法中，我会计算平均噪声梯度，然后在最后进行更新（我的问题是回归问题）。
g_m = np.zeros(w.shape)
i = 0
for b in B:
g_m = (g_m * i + g(b, w)) / (i + 1)
w = w - l * g_m
有没有办法仅在Keras中获得渐变？