ofo回应2.5亿元诉讼,网友:“有生之年,我的押金能退吗?

你还在等ofo退押金吗?针对法院曝光ofo 2.5亿元诉讼无可执行财产一事,ofo公关部相关负责人回应:“尊重判决,全力退还押金,全力自我造血。”

ofo回应诉讼:尊重判决,全力退还押金

6月19日,针对法院曝光ofo2.5亿元诉讼无可执行财产一事,ofo公关部相关负责人回应:“尊重判决,全力退还押金,全力自我造血。”

6月17日,中国裁判文书网披露的天津市第三中级人民法院的一份执行裁定书,这份执行裁定书将小黄车的家产曝光。执行裁定书显示,ofo小黄车供应商天津富士达自行车工业有限公司因买卖合同纠纷一案,申请执行标的2.5亿元。

ofo被供应商天津富士达追债2.5亿元,但ofo运营实体东峡大通“名下无房产及土地使用权、无对外投资、无车辆,虽开设了银行账户,但已被其他法院冻结或账户无余额”。

该执行裁定书还显示,终结本次执行程序。申请执行人发现被执行人有可供执行财产的,可以再次申请执行。

对于ofo是否已经资金枯竭,ofo公关部相关负责人仅表示:“目前商城业务和城市代理业务均在有条不紊运行中,新的单车运营模式也在积极实验。”

多名高管成老赖

2018年3月13日,ofo公司完成了E2-1轮融资,融资额为8.66亿美元。此轮融资由阿里巴巴领投,灏峰集团、天合资本、蚂蚁金服与君理资本共同跟投。

然而,此次融资后不久,ofo就迎来下坡路,逐步停止了澳大利亚、德国、日本等海外运营业务,公司也屡屡传出“被收购”传闻。

2018年10月,该公司法定代表人由ofo创始人戴威变更为陈正江。

2018年12月4日,法院对东峡大通(北京)管理咨询有限公司作出“限制消费令”,公司及实际控制人戴威不得实施高消费及非生活和工作必需的消费行为。

此前,ofo的多名管理人员包括陈正江、戴威、杨品杰、陈婧等已被作为失信被执行人限制高消费。今年6月12日,据上海市高级人民法院网公开执行信息显示,因东峡大通(北京)管理咨询有限公司不履行法律文书确定的义务,法院已依法限制其影响债务履行的直接责任人陈正江出境。

被追债成常态,待退押金人数超过1500万

第一网贷注意到,在中国执行信息公开网上,ofo运营公司已有17页、一百多条被执行人的记录。其中,涉案申请人多要求ofo公司支付房屋租金、广告费、物流运输费等费用。

被追债成了ofo面临的常态,除了供应商等,向ofo讨债的还有众多用户。2018年9月,ofo公司缩减北京总部的办公区域,引发用户对其运营情况的质疑。在全国各地爆发的用户“退押金潮”,及合作伙伴的“退货款潮”也就此开始。

据微博上一位ofo用户的退押金进度显示,目前仍排在1594万位,按平均99元押金额度计算,ofo拖欠押金总额仍然超过15亿元。

对此,有网友发文感慨“我就想知道,在我有生之年,我的押金能退给我吗?我死了之后我儿子能正常继承这笔遗产吗?”也是在玩笑中道出了用户们的无奈。

目前,ofo App和线下车辆均可以正常使用,排队退款期间也可正常用车。

 

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值