Machine learning 这是否可能运行梯度下降来训练支持向量机？

支持向量机的经典实现通常使用SMO算法来训练支持向量机，这有点笨拙和冗长。偶尔我会看到这行代码：

范围内ii的

（外环*M）：
i=int（np.random.rand（）*M）
边距=Y[i]*np.dot（K[i，：]，alpha）
梯度=M*L*K[：，i]*alpha[i]
如果（保证金<1）：
grad-=Y[i]*K[：，i]
α-=梯度/np.sqrt（ii+1）
alpha_平均值+=alpha

训练参数。

这让我困惑了好几个小时，我不知道渐变会在哪里弹出，也不知道当边距低于1时会出现奇怪的

if

块来“更新”渐变。但结果却相当不错。

所以我真的想知道为什么这段代码是合理的，为什么使用梯度下降而不是凸优化技术是可以的